Роботы стремительно умнеют, но в одном они до сих пор заметно уступают человеку — в умении адаптироваться к реальному миру. Стоит предмету немного изменить вес, жесткость или текстуру, и заранее обученное движение перестает работать. Именно поэтому большинство промышленных роботов до сих пор живут в стерильных условиях заводских линий, где всё предсказуемо.
Но что происходит, когда робот выходит за пределы фабрики — на кухню, в больницу или в обычный дом? Здесь каждый объект требует индивидуального подхода: чашку нельзя сжимать так же, как губку, а медицинский инструмент — как пластиковую коробку. Люди делают такие поправки интуитивно, почти не задумываясь. А вот для машин это долгое время было непреодолимым барьером.
Исследователи из Японии сделали важный шаг к его устранению, разработав адаптивную систему воспроизведения движений, которая позволяет роботам копировать человеческие движения, опираясь на удивительно малый объем обучающих данных.
Почему роботам так сложно адаптироваться
Большинство современных систем обучения движению работают по простому принципу: человек демонстрирует движение, робот его записывает и затем воспроизводит. Такой подход, часто реализуемый через телеуправление, неплохо работает — пока условия совпадают с теми, в которых проходило обучение.
Проблема возникает, когда физические свойства объекта меняются. Чуть более мягкий материал, чуть больший вес — и робот либо прикладывает слишком большую силу, либо, наоборот, не справляется с задачей. В отличие от человеческой руки, робот не «чувствует» предмет и не умеет автоматически подстраиваться под новые условия.
Что такое гауссовская регрессия и зачем она роботу
Команда исследователей под руководством Акиры Такакура из Университета Кейо решила подойти к проблеме иначе. В основе их системы лежит метод гауссовской регрессии (Gaussian Process Regression) — статистический инструмент, который хорошо справляется с нелинейными зависимостями даже при небольшом количестве данных.
Если упростить, модель не просто запоминает движения, а учится понимать связь между свойствами объекта (например, его жесткостью) и тем, как человек меняет положение руки и прикладываемую силу. Исследователи записывали человеческие захваты объектов с разной жесткостью, а затем обучали систему находить закономерности между «ощущениями» и движением.
В результате робот может интерпретировать намерение человека и воспроизводить подходящее движение даже для предметов, которых он никогда раньше «не видел».
Как объясняет Такахиро Нодзаки, один из авторов работы, развитие способности манипулировать повседневными предметами — ключевой шаг к тому, чтобы роботы могли безопасно и эффективно взаимодействовать с окружающим миром.
Проверка на практике
Чтобы оценить эффективность нового подхода, команда сравнила его с традиционными системами воспроизведения движений, методами линейной интерполяции и типичной моделью обучения через подражание.
Результаты оказались впечатляющими. В задачах интерполяции — когда жесткость объекта находилась в пределах обучающего диапазона — ошибка позиционирования снизилась как минимум на 40%, а ошибка по силе — на 34%. В более сложных задачах экстраполяции, где объект выходил за рамки обучающих данных, ошибка по положению уменьшилась сразу на 74%.
Во всех сценариях система на основе гауссовской регрессии заметно превзошла существующие методы.
Зачем это нужно и где пригодится
Главное преимущество новой технологии — минимальные требования к данным. Меньше обучающих примеров означает ниже стоимость внедрения и меньше вычислительных ресурсов. Это может открыть дорогу адаптивной робототехнике там, где машинное обучение раньше было слишком дорогим или сложным.
По словам Такакура, система особенно перспективна для сервисных и медицинских роботов, включая устройства жизнеобеспечения, которым приходится каждый раз работать с разными объектами и пациентами. Но потенциал этим не ограничивается — от домашней робототехники до логистики и ухода за пожилыми людьми.
Работа продолжает давние исследования Университета Кейо в области тактильной обратной связи, моделирования движений и гаптических технологий. Ранее эта группа уже получала признание от IEEE, правительства Японии и даже Forbes за разработки чувствительных роботизированных манипуляторов и аватарных роботов.
Новая система приближает нас к моменту, когда роботы смогут действовать не по жесткому сценарию, а по ситуации — так же гибко, как человек. А значит, автоматизация постепенно выходит из лабораторий и цехов в наш повседневный, непредсказуемый мир.
Исследование опубликовано в журнале IEEE Transactions on Industrial Electronics.
