Forskare har presenterat en ny metod, ACG-WAM, för att lära robotar agera utifrån visuella intryck. I 50 simulerade uppgifter i RoboTwin 2.0 lyckades systemet 93.46% av gångerna i ostörda miljöer och 92.68% när scenerna varierades slumpmässigt. I tre uppgifter med riktiga robotar nådde det 85.00% fullständigt genomförande och 91.67% delvis genomförande. Det slog därmed det tidigare bästa systemet, Motus, med 10 respektive 9.17 procentenheter.
Så fungerar ACG-WAM
Metoden lägger till en hjälpprediktor som lär sig förutsäga geometriska egenskaper – som föremåls positioner och former – flera steg framåt, utifrån robotens aktuella kamerabild och de handlingar den ska utföra. Prediktorn tränas med måldata från en fryst visuell kodare som bearbetar par av aktuella och framtida bilder. När träningen är klar tas både hjälpprediktorn och lärarmodulerna bort, så att bara en kompakt modell återstår att köra på roboten.
Vad det innebär för robotanvändare
De högre framgångsnivåerna i både simuleringar och verkliga robotar tyder på att robotar med ACG-WAM kan lära sig uppgifter mer tillförlitligt och med mindre prövande. För företag som använder robotar i fabriker eller lager kan metoden minska driftstopp till följd av misslyckade försök och korta tiden det tar att lära in nya beteenden.
Varför det spelar roll
För en fabrikschef innebär de högre framgångssiffrorna att robotar kan läras upp för nya arbetsuppgifter snabbare och med färre misstag, vilket kan sänka utbildningskostnaderna. Artikeln redovisar dock inte långsiktig tillförlitlighet eller hur metoden fungerar för mer komplexa uppgifter. Därför återstår det att bekräfta om fördelarna håller i större driftmiljöer.
