UCバークリー、ディープラーニングでロボットの動作を高速化

March, 1, 2021, Berkeley--カリフォルニア大学バークリー校の研究者は､新しい人工知能ソフトウエアを開発した｡これによりロボットは､ものをつかみ滑らかに動かすスピードとスキルを獲得し､ウエアハウス環境ですぐに人間の手助けができるようになる｡研究成果は､Science Roboticsに発表された｡

倉庫作業の自動化は､難しくなりうる｡人には自然な多くの動作､様々な種類のものをどこでどう取り上げてるかを決めるようなこと､それに肩､腕､手首の動きを連携させて､個々のものをある箇所から別の箇所へ動かす､こういうことはロボットには実際には非常に難しい｡ロボットの動きもギクシャクしがちである｡このため､製品とロボットの両方に損傷を与えるリスクが増す｡

｢倉庫はまだ主に人が運用している｡信頼度よく多くの異なるものをつかむことが､ロボットには､まだ非常に難しいからである｣とUC Berkeley工学部､William S. Floyd Jr. Distinguished ChairのKen Goldbergは､説明している｡｢自動車の組立ラインでは､同じ動作が何度も何度も繰り返される｡だから自動化が可能なのである｡しかし､倉庫では､全ての順序が異なる｣｡

以前の研究で､Goldbergとポスドク研究者Jeffrey Ichnowskiは､Grasp-Optimized Motion Plannerを開発した｡これは､ロボットがものをどのように取り上げ､どのように動いて､そのものをある箇所から他所に移動させるかの両方を計算できる｡

しかし､このPlannerで作られる動きは､ギクシャクしていた｡そのソフトウエアのパラメタを調整してよりな滑らかな動きになるようにしたが､これらの計算は平均1/2分かかった｡

新しい研究では､チームは､UC Berkeley院生Yahav Avigalと学生Vishal Satishと協力して､ディープラーニングニューラルネットワークを組み込むことでMotion Plannerの計算時間を飛躍的に高速化した｡

ニューラルネットワークにより､ロボットは実例から学ぶことができる｡後になると､ロボットは､同じ物体や動作に一般化できることがある｡
　しかし､これらの近似は常に正確であるわけではない｡研究チームは､ニューラルネットワークによって生まれた近似を､さらにMotion Plannerを使って最適化することができた｡

｢ニューラルネットワークは､動きの近似計算に数ミリ秒しかかからない｡それは非常に高速であるが､正確ではない｡しかし､われわれが次に､その近似をMotion Plannerに入れると､Motion Plannerは､最終動作の計算に数回の反復が必要なだけである｣とIchnowskiは話している｡

ニューラルネットワークとMotion Plannerを組み合わせることでチームは､平均計算時間を29秒から80ミリ秒に短縮した｡

Goldbergの予想では､ロボット技術におけるこれらの進歩により､ロボットは､今後数年で倉庫環境で支援できるようになる｡
(詳細は､https://news.berkeley.edu/)