Система RoboBallet использует графовую нейронную сеть, обученную методом обучения с подкреплением. Алгоритм учится планировать движения роботов путем проб и ошибок, получая награды за успешное выполнение задач. Графовая архитектура позволяет роботам воспринимать препятствия как точки в сети, что дает им возможность эффективно рассуждать о своем окружении. Работа опубликована в журнале Science Robotics.
Система Roboballet станет «хореографом» производственных линий
Ученые из Университетского колледжа Лондона и Google DeepMind создали систему RoboBallet, которая позволяет десяткам роботизированных рук работать синхронно на заводах, экономя сотни часов разработки и планирования и повышая эффективность производства.
«Танец» роботов. Google DeepMind
Координация нескольких роботизированных рук в промышленных условиях до сих пор остается одной из самых сложных задач в робототехнике. До сих пор программисты тратят сотни часов на ручное планирование движений роботов, чтобы избежать столкновений и оптимизировать работу на сборочных линиях. Этот процесс не только крайне трудозатратный, но и неустойчивый и подверженный ошибкам.
После нескольких дней обучения RoboBallet способна генерировать высококачественные планы за считанные секунды, даже для сложных конфигураций, которых система никогда прежде не видела. В ходе исследований алгоритм успешно решал до 40 задач с восемью роботизированными руками одновременно — результат, далеко превосходящий возможности предыдущих систем.
Конвейер современного автозавода. Но это все-таки сложные автоматы, а еще не полноценные роботы.
Соавтор исследования, доцент Алекс Ли из Университетского колледжа Лондона, отмечает: «На современных заводах координация нескольких роботизированных рук похожа на решение движущейся 3D-головоломки. Каждое действие должно быть идеально рассчитано по времени и размещено так, чтобы избежать столкновений. Сегодня это планирование занимает у специалистов сотни часов и требует дорогостоящей ручной разработки».
Примения RoboBallet
Роботы монтируют объект.
Масштабируемость системы представляет собой значительный шаг вперед. Традиционные алгоритмы планирования с трудом справляются с несколькими роботами из-за экспоненциального роста сложности. Графовая архитектура RoboBallet позволяет изучать общие принципы координации, а не запоминать конкретные сценарии.
Технология найдет применение в автомобилестроении, сборке электроники и даже строительстве домов с использованием роботов. Исследователи видят потенциал для расширения системы на более сложные операции, включая захват и размещение объектов или покраску. Код системы открыт для научного сообщества, что ускорит дальнейшее развитие всей области.