Araştırmacılar, robotlara görsel girdilere göre hareket etmeyi öğretmek için ACG-WAM adlı yeni bir yöntem geliştirdi. RoboTwin 2.0’daki 50 simülasyon görevinde sistem, temiz ortamlarda %93,46; sahnelerin rastgeleleştirildiği ortamlarda ise %92,68 başarı sağladı. Gerçek dünyadaki üç görevde tam başarı oranı %85,00, kısmi tamamlama puanıysa %91,67 oldu. Böylece önceki en iyi sistem Motus’u sırasıyla 10 ve 9,17 yüzde puan geride bıraktı.
ACG-WAM nasıl çalışıyor?
Yöntem, robotun mevcut kamera görüntüsünü ve yapacağı hareketleri kullanarak birkaç adım sonrasına ilişkin geometrik özellikleri (nesnelerin konumu ve şekli gibi) tahmin etmeyi öğrenen yardımcı bir öngörücü ekliyor. Bu öngörücü, mevcut ve gelecekteki görüntü çiftlerini işleyen, eğitim sırasında sabit tutulan bir görsel kodlayıcıdan alınan hedeflerle eğitiliyor. Eğitim tamamlanınca yardımcı öngörücü ve öğretmen modülleri kaldırılıyor; geriye robot üzerinde çalışabilen yalın bir model kalıyor.
Bu, robot kullanıcıları için ne anlama geliyor?
Hem simülasyonda hem de gerçek donanımda elde edilen yüksek başarı oranları, ACG-WAM kullanan robotların görevleri daha az deneme-yanılmayla ve daha güvenilir biçimde öğrenebileceğine işaret ediyor. Robotları fabrikalarda veya depolarda kullanan şirketler için bu yöntem, başarısız denemelerin yol açtığı duruşları azaltabilir ve robotlara yeni davranışlar öğretmek için gereken süreyi kısaltabilir.
Neden önemli
Bir fabrika yöneticisi için yüksek başarı oranları, robotların yeni işleri daha hızlı ve daha az hatayla öğrenebileceği, dolayısıyla eğitim maliyetlerinin düşebileceği anlamına geliyor. Ancak makalede uzun vadeli güvenilirlik veya yöntemin daha karmaşık görevlere nasıl ölçekleneceği değerlendirilmemiş; bu nedenle söz konusu faydaların daha büyük ölçekli uygulamalarda doğrulanması gerekiyor.
