Ayudando a los robots a manipular fluidos

Imagen anterior Imagen siguiente

Imagina que estás disfrutando de un picnic junto a la orilla de un río en un día ventoso. Una ráfaga de viento atrapa accidentalmente tu servilleta de papel y aterriza en la superficie del agua, alejándose rápidamente de ti. Agarras un palo cercano y agitas cuidadosamente el agua para recuperarlo, creando una serie de pequeñas olas. Estas olas finalmente empujan la servilleta hacia la orilla, así que la agarras. En este escenario, el agua actúa como un medio para transmitir fuerzas, lo que le permite manipular la posición de la servilleta sin contacto directo.

Los humanos interactúan regularmente con varios tipos de fluidos en su vida diaria, pero hacerlo ha sido un objetivo formidable y difícil de alcanzar para los sistemas robóticos actuales. ¿Te pasa un café con leche? Un robot puede hacer eso. ¿Hazlo? Eso va a requerir un poco más de matiz.

FluidLab, una nueva herramienta de simulación de investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, mejora el aprendizaje de robots para tareas complejas de manipulación de fluidos, como hacer arte latte, helado e incluso manipular el aire. El entorno virtual ofrece una colección versátil de complejos desafíos de manejo de fluidos, que involucran tanto sólidos como líquidos, y múltiples fluidos simultáneamente. FluidLab admite el modelado de sólidos, líquidos y gases, incluidos objetos elásticos, plásticos y rígidos, líquidos newtonianos y no newtonianos, humo y aire.

En el corazón de FluidLab se encuentra FluidEngine, un simulador de física fácil de usar capaz de calcular y simular sin problemas varios materiales y sus interacciones, todo mientras aprovecha el poder de las unidades de procesamiento de gráficos (GPU) para un procesamiento más rápido. El motor es "diferencial", lo que significa que el simulador puede incorporar conocimientos de física para un modelo de mundo físico más realista, lo que lleva a un aprendizaje y una planificación más eficientes para las tareas robóticas. Por el contrario, la mayoría de los métodos de aprendizaje por refuerzo existentes carecen de ese modelo mundial que solo depende del ensayo y error. Esta capacidad mejorada, dicen los investigadores, permite a los usuarios experimentar con algoritmos de aprendizaje de robots y jugar con los límites de las capacidades de manipulación robótica actuales.

Para preparar el escenario, los investigadores probaron dichos algoritmos de aprendizaje de robots utilizando FluidLab, descubriendo y superando desafíos únicos en sistemas de fluidos. Mediante el desarrollo de métodos de optimización inteligentes, han podido transferir estos aprendizajes de simulaciones a escenarios del mundo real de manera efectiva.

"Imagine un futuro en el que un robot doméstico lo ayude sin esfuerzo con las tareas diarias, como preparar café, preparar el desayuno o cocinar la cena. Estas tareas implican numerosos desafíos de manipulación de fluidos. Nuestro punto de referencia es un primer paso para permitir que los robots dominen estas habilidades, lo que beneficia a los hogares. y lugares de trabajo por igual", dice el investigador visitante en MIT CSAIL y científico investigador en MIT-IBM Watson AI Lab Chuang Gan, autor principal de un nuevo artículo sobre la investigación. "Por ejemplo, estos robots podrían reducir los tiempos de espera y mejorar las experiencias de los clientes en cafeterías concurridas. FluidEngine es, hasta donde sabemos, el primer motor de física de su tipo que admite una amplia gama de materiales y acoplamientos y, al mismo tiempo, es totalmente diferenciable. Con nuestras tareas estandarizadas de manipulación de fluidos, los investigadores pueden evaluar los algoritmos de aprendizaje de robots y ampliar los límites de las capacidades de manipulación robótica actuales".

Fantasía fluida

Durante las últimas décadas, los científicos en el dominio de la manipulación robótica se han centrado principalmente en la manipulación de objetos rígidos o en tareas de manipulación de fluidos muy simples, como verter agua. Estudiar estas tareas de manipulación que involucran fluidos en el mundo real también puede ser un esfuerzo inseguro y costoso.

Sin embargo, con la manipulación de fluidos, no siempre se trata solo de fluidos. En muchas tareas, como crear el remolino de helado perfecto, mezclar sólidos en líquidos o remar en el agua para mover objetos, es una danza de interacciones entre fluidos y otros materiales. Los entornos de simulación deben admitir el "acoplamiento" o cómo interactúan dos propiedades de materiales diferentes. Las tareas de manipulación de fluidos generalmente requieren una precisión bastante fina, con interacciones y manejo de materiales delicados, lo que los distingue de tareas sencillas como empujar un bloque o abrir una botella.

El simulador de FluidLab puede calcular rápidamente cómo interactúan los diferentes materiales entre sí.

Ayudando a las GPU está "Taichi", un lenguaje específico de dominio integrado en Python. El sistema puede calcular gradientes (tasas de cambio en las configuraciones ambientales con respecto a las acciones del robot) para diferentes tipos de materiales y sus interacciones (acoplamientos) entre sí. Esta información precisa se puede utilizar para ajustar los movimientos del robot para un mejor rendimiento. Como resultado, el simulador permite soluciones más rápidas y eficientes, diferenciándolo de sus contrapartes.

Las 10 tareas que presentó el equipo se dividieron en dos categorías: usar fluidos para manipular objetos difíciles de alcanzar y manipular fluidos directamente para objetivos específicos. Los ejemplos incluyeron la separación de líquidos, la guía de objetos flotantes, el transporte de artículos con chorros de agua, la mezcla de líquidos, la creación de arte latte, la formación de helados y el control de la circulación del aire.

"El simulador funciona de manera similar a cómo los humanos usan sus modelos mentales para predecir las consecuencias de sus acciones y tomar decisiones informadas al manipular fluidos. Esta es una ventaja significativa de nuestro simulador en comparación con otros", dice Zhou Xian, estudiante de doctorado de la Universidad Carnegie Mellon, otro autor en el papel. "Mientras que otros simuladores admiten principalmente el aprendizaje por refuerzo, el nuestro admite el aprendizaje por refuerzo y permite técnicas de optimización más eficientes. El uso de los gradientes proporcionados por el simulador admite una búsqueda de políticas altamente eficiente, lo que lo convierte en una herramienta más versátil y eficaz".

Próximos pasos

El futuro de FluidLab parece brillante. El trabajo actual intentó transferir trayectorias optimizadas en simulación a tareas del mundo real directamente en bucle abierto. Para los próximos pasos, el equipo está trabajando para desarrollar una política de ciclo cerrado en simulación que tome como entrada el estado o las observaciones visuales de los entornos y realice tareas de manipulación de fluidos en tiempo real, y luego transfiera las políticas aprendidas en escenas del mundo real. .

La plataforma está disponible públicamente y los investigadores esperan que beneficie a los estudios futuros en el desarrollo de mejores métodos para resolver tareas complejas de manipulación de fluidos. lavar y limpiar con agua, y más", dice Ming Lin, profesor de informática de la Universidad de Maryland, que no participó en el trabajo. "Para que los robots ayuden a los humanos y sirvan en capacidades similares para las tareas del día a día, se necesitarían técnicas novedosas para interactuar y manejar varios líquidos de diferentes propiedades (por ejemplo, viscosidad y densidad de los materiales) y sigue siendo un desafío computacional importante para la realidad". sistemas autónomos en el tiempo. Este trabajo presenta el primer motor de física integral, FluidLab, para permitir el modelado de fluidos diversos y complejos y su acoplamiento con otros objetos y sistemas dinámicos en el entorno. La formulación matemática de 'fluidos diferenciables' como se presenta en el documento hace hace posible integrar una simulación de fluidos versátil como una capa de red en algoritmos basados ​​en aprendizaje y arquitecturas de redes neuronales para que los sistemas inteligentes operen en aplicaciones del mundo real".

Gan y Xian escribieron el artículo junto con Hsiao-Yu Tung, un postdoctorado en el Departamento de Ciencias Cognitivas y del Cerebro del MIT; Antonio Torralba, profesor de ingeniería eléctrica e informática del MIT e investigador principal del CSAIL; El profesor adjunto de Dartmouth College, Bo Zhu, la estudiante de doctorado de la Universidad de Columbia, Zhenjia Xu, y la profesora adjunta de CMU, Katerina Fragkiadaki. La investigación del equipo cuenta con el apoyo del MIT-IBM Watson AI Lab, Sony AI, un premio DARPA Young Investigator, un premio NSF CAREER, un premio AFOSR Young Investigator, DARPA Machine Common Sense y la National Science Foundation.

La investigación fue presentada en la Conferencia Internacional sobre Representaciones de Aprendizaje a principios de este mes.

Elemento anterior Elemento siguiente