Onderzoekers aan de TU Wien in Wenen hebben een applicatie ontwikkeld waarbij de robot heeft geleerd hoe hij een wastafel moet schoonmaken.
Robots zouden saaie of onaangename taken van de mens kunnen overnemen. Maar taken zoals het schoonmaken van de badkamer zijn lastig te automatiseren. Hoe is het mogelijk om de beweging van een robotarm te berekenen zodat hij elk deel van een wastafel kan bereiken? Wat als de wastafel ongewoon gebogen randen heeft? Hoeveel kracht moet er op welk punt worden uitgeoefend?
Het zou erg tijdrovend zijn om al deze dingen nauwkeurig te coderen in vaste regels en vooraf gedefinieerde wiskundige formules. Onderzoekers aan de TU Wien kozen een andere aanpak: een mens laat de robot meerdere keren zien wat hij moet doen. Om de rand van een wastafel schoon te maken, wordt een speciaal geprepareerde spons gebruikt. Door de mens te observeren, leert de robot hoe schoonmaken werkt en kan hij deze kennis flexibel toepassen op objecten met verschillende vormen.
Reiniging is slechts één type oppervlaktebehandeling. Veel andere activiteiten die een essentiële rol spelen in de industrie, zijn technisch gezien erg vergelijkbaar. Voorbeelden zijn het schuren of polijsten van oppervlakken, het verven of het aanbrengen van lijm.
Het vastleggen van de geometrische vorm van een wastafel met camera's is relatief eenvoudig. Dat is ook niet de cruciale stap. Het is veel moeilijker om de robot te leren: welk type beweging is vereist voor welk deel van het oppervlak? Hoe snel moet de beweging zijn? Wat is de juiste hoek? Wat is de juiste hoeveelheid kracht?
Mensen leren deze dingen door ervaring en imitatie. In een werkplaats kan iemand over de schouder van de leerling kijken en zeggen: je moet iets harder op die smalle rand drukken. De onderzoekers wilden een manier vinden om de robot op een heel vergelijkbare manier te laten leren.
Daarvoor is een speciaal schoonmaakgereedschap ontwikkeld. Mensen gebruikten een schoonmaakspons met krachtsensoren en trackingmarkers om herhaaldelijk een wastafel schoon te maken, maar alleen de voorkant. Ze genereerden een grote hoeveelheid data uit een paar demonstraties, die vervolgens worden verwerkt zodat de robot leert wat goed schoonmaken betekent.
Dit leerproces wordt mogelijk gemaakt door een innovatieve gegevensverwerkingsstrategie die is ontwikkeld door het onderzoeksteam van de TU Wien. Het proces combineert verschillende bestaande technieken uit het veld van machine learning. De meetgegevens worden eerst statistisch verwerkt. Vervolgens worden de resultaten gebruikt om een neuraal netwerk te trainen om vooraf gedefinieerde bewegingselementen (zogenaamde 'bewegingsprimitieven') te leren. De robotarm wordt vervolgens optimaal aangestuurd om het oppervlak schoon te maken.
Dankzij dit leeralgoritme kan de robot na de training de hele wastafel of andere objecten met een complex oppervlak schoon maken, ook al is er alleen getoond hoe hij een enkele rand van de wastafel moet schoonmaken. De robot leert dat je de spons anders moet vasthouden, afhankelijk van de vorm van het oppervlak. Hij leert ook dat hij op een sterk gebogen oppervlak een andere hoeveelheid kracht moet uitoefenen dan op een vlak oppervlak.
De ontwikkelde technologie kan worden toegpast op veel processen, zoals het schuren van houten werkstukken in timmerwerkplaatsen, het repareren en polijsten van lakschade in carrosserieën van voertuigen of het lassen van plaatwerkdelen in metaalbedrijven. In de toekomst zou de robot op een mobiel platform kunnen worden geplaatst om overal in een werkplaats als nuttige hulp te worden gebruikt.
Zulke robots zouden hun kennis dan zelfs met andere robots kunnen delen. Stelt u zich voor dat veel werkplaatsen deze zelflerende robots gebruiken om oppervlakken te schuren of te verven. Dan zou men de robots individueel ervaring kunnen laten opdoen met lokale data. Maar alle robots zouden ook de parameters die ze hebben geleerd met elkaar kunnen delen. Bedrijfsgebonden data zoals de specifieke vorm van een bepaald werkstuk, zouden niet worden gedeeld, maar essentiële basisprincipes zouden worden uitgewisseld om de mogelijkheden van alle robots te verbeteren. Dit wordt 'federatief leren' genoemd.
De wetenschappelijke publicatie vindt u hier.
Foto: TU Wien