AI 기반 로봇, Jenga 게임 배우기

• 연구원들이 촉각과 시각을 사용하여 Jenga 게임을 배우는 로봇 팔을 개발합니다.
• 이 작업에서 개발된 머신 러닝 방법은 로봇이 소비자 제품을 조립하고 세심한 물리적 상호 작용이 필요한 다른 작업을 수행하는 데 도움이 될 수 있습니다.

Jenga는 정확한 눈과 손의 협응과 전략이 필요한 복잡한 게임입니다. 인간으로서 우리는 이 게임을 마스터하기 위해 시각과 촉각을 완벽하게 통합합니다. 반면에 로봇은 아직 이 수준의 정교함을 가지고 있지 않습니다.

대부분의 로봇 학습 시스템은 촉각 없이 시각적 데이터만 사용하므로 기본적으로 외부 세계에 대해 학습하는 능력이 제한됩니다. 모델이 없는 강화 학습 기술을 기반으로 하는 기존 학습 알고리즘은 물리적 개체, 접촉 또는 힘에 대한 지식을 활용하는 능력이 거의 또는 전혀 없습니다.

최근 MIT MCube Lab의 연구원들은 로봇을 사용하여 이 능력을 복제하는 알고리즘을 개발했습니다. 대규모 데이터 세트를 사용하여 차선책을 평가하는 기존의 기계 학습 기술과 달리 이 로봇은 조각을 부드럽고 정밀하게 추출할 수 있는 계층적 모델을 학습하고 활용합니다.

젠가 연주 로봇

로봇에는 외부 RGB 카메라, 부드러운 갈고리 그리퍼 및 힘을 감지하는 손목 커프가 장착되어 있습니다. 이 모든 구성 요소를 통해 로봇은 Jenga 타워와 개별 블록을 관찰하고 느낄 수 있습니다.

연구원들은 산업용 ABB IRB 120 로봇 팔을 맞춤 제작하고 손이 닿는 곳에 Jenga 타워를 설치했습니다. 팔이 블록을 부드럽게 밀면 컴퓨터가 커프와 카메라에서 촉각 및 시각적 피드백을 캡처하고 이 측정값을 로봇의 이전 움직임과 비교합니다.

참조:ScienceRobotics | doi:10.1126/scirobotics.aav3123 | MIT

이 모델을 통해 로봇은 조각의 상태를 정확하게 추정하고, 다음으로 가능한 움직임을 시뮬레이션하고, 유리한 움직임을 결정할 수 있습니다. 실시간으로 기계는 구조물이 무너지지 않도록 블록을 계속 밀지 또는 새 블록으로 이동할지 학습합니다.

Jenga 게임은 개별 블록을 당기고, 밀고, 배치하고 정렬하는 것과 같은 기본적인 신체 기술이 필요하기 때문에 이는 체스 또는 바둑을 위한 AI를 개발하는 것보다 더 어렵습니다.

이 작업에서 개발된 로봇은 블록이 막히거나 비어 있다고 느낄 때 효율적으로 식별하고 훨씬 적은 데이터를 사용하여 블록을 추출하는 방법을 결정합니다. 거의 300번의 시도(수만 번이 아닌)로 훈련됩니다. 유사한 결과 및 측정에 대한 시도는 클러스터로 그룹화되며 각 클러스터는 특정 블록 동작을 나타냅니다.

모든 단일 데이터 클러스터에 대해 이 기계는 현재 촉각 및 시각적 측정이 주어진 블록의 동작을 추정하는 모델을 개발했습니다. 인간이 학습하는 자연스러운 방식에서 영감을 받은 이 클러스터링 전략은 로봇이 게임을 학습할 수 있는 효율성을 크게 높입니다.

응용 프로그램

이 방법은 인공 지능이 물리적 세계로 이동한 성공적인 예입니다. 로봇은 주변 환경과 상호 작용하면서 인간 조작을 정의하는 몇 가지 기본 기술을 배웁니다.

읽기:Dactyl:전례 없는 민첩성을 달성하기 위해 AI를 사용하는 인간과 유사한 로봇 손

이 촉각 학습 시스템은 Jenga 게임 이외의 작업, 특히 세심한 물리적 상호 작용이 필요한 작업에 적용할 수 있습니다. 예를 들어, 소비재를 조립하고 매립 쓰레기에서 재활용 가능한 재료를 분리합니다.

예를 들어 스마트폰 및 노트북 조립 라인에서 대부분의 단계는 단순한 시각이 아닌 터치와 힘의 작용이 필요하며 이 기술은 이러한 조립 라인을 획기적으로 개선할 수 있습니다.