RoboBallet de la DeepMind: Dansul robotic care revoluționează fabricile

În zilele noastre, majoritatea produselor pe care le utilizăm sunt fabricate de roboți – brațe mecanice cu multiple grade de libertate, dispuse de-a lungul benzilor transportoare, mișcându-se într-un spectacol de sincronizare precisă. De obicei, programarea acestor mișcări se face manual, proces care poate dura de la sute până la mii de ore. Echipa DeepMind a Google a dezvoltat un sistem AI, numit RoboBallet, care permite roboților de producție să decidă singuri ce trebuie să facă.

Planificarea activităților roboților de fabricație pentru a-și îndeplini sarcinile eficient este extrem de dificil de automatizat. Este necesar să rezolvi atât alocarea sarcinilor, cât și programarea – decidând ce sarcină să fie executată de ce robot și în ce ordine. Este ca și cum ai rezolva problema celebrului vânzător ambulant, dar multiplicată. Pe lângă acestea, se adaugă și planificarea mișcării; trebuie să te asiguri că toate aceste brațe robotice nu se vor ciocni între ele sau cu echipamentele din jur.

La final, te confrunți cu nenumărate combinații posibile, unde trebuie să rezolvi nu una, ci trei probleme de calcul dificile în același timp. „Există unele unelte care permit automatizarea planificării mișcărilor, dar alocarea sarcinilor și programarea sunt de obicei făcute manual,” spune Matthew Lai, inginer cercetător la Google DeepMind. „Rezolvarea combinată a acestor trei probleme a fost obiectivul lucrării noastre.”

Echipa lui Lai a început prin generarea de mostre simulate ale așa-numitelor celule de lucru, zone în care echipe de roboți își execută sarcinile asupra unui produs în fabricație. Celulele de lucru conțineau un obiect numit piesă de lucru, un produs pe care roboții îl prelucrează, în acest caz ceva ce urma să fie construit din bare de aluminiu plasate pe o masă. În jurul mesei, erau plasate până la opt brațe robotice Franka Panda, fiecare cu 7 grade de libertate, care trebuiau să completeze până la 40 de sarcini pe o piesă de lucru. Fiecare sarcină necesita ca efectuatorul final al brațului robotic să ajungă la 2,5 centimetri de locul corect pe bara potrivită, abordat din unghiul corect, apoi să rămână acolo, înghețat, pentru un moment. Pauza simulează efectuarea unei lucrări.

Pentru a complica lucrurile, echipa a împrăștiat obstacole aleatorii în fiecare celulă de lucru pe care roboții trebuiau să le evite. „Am ales să lucrăm cu până la opt roboți, deoarece acesta este aproximativ maximul rezonabil pentru a împacheta roboții împreună fără ca aceștia să se blocheze reciproc tot timpul,” explică Lai. Forțarea roboților să execute 40 de sarcini pe o piesă de lucru a fost, de asemenea, ceva ce echipa a considerat reprezentativ pentru cerințele fabricilor reale.

O astfel de configurație ar fi un coșmar de abordat chiar și cu cele mai puternice algoritmi de învățare prin întărire. Lai și colegii săi au găsit o soluție ocolind aceasta prin transformarea totului în grafuri.

În modelul lui Lai, grafurile erau compuse din noduri și muchii. Elemente precum roboți, sarcini și obstacole erau tratate ca noduri. Relațiile dintre ele erau codificate fie ca muchii unidirecționale, fie bidirecționale. Muchiile unidirecționale conectau

Știință&Tehnică

Revista “Ştiinţă şi Tehnică“, cea mai cunoscută şi longevivă publicaţie de popularizare a ştiintelor din România