I ricercatori di tutto il mondo stanno ora addestrando agenti robotici per assistere gli esseri umani in una varietà di attività manuali, compresi oggetti da cucina e in movimento. Sebbene molti di questi robot abbiano ottenuto risultati promettenti, la maggior parte di loro non è ancora in grado di completare i compiti loro assegnati così rapidamente come farebbe un essere umano.

Ad esempio, la maggior parte dei robot addestrati a recuperare oggetti e portarli agli umani sono piuttosto lenti nel soddisfare le richieste degli utenti, che li rende difficili da distribuire su larga scala. Ciò è principalmente dovuto al fatto che addestrare agenti artificiali su compiti di manipolazione può essere molto impegnativo, poiché questi compiti tendono a coinvolgere sia la percezione che la pianificazione, che insieme possono prevenire collisioni mentre il robot si muove nell'ambiente circostante.

I ricercatori del Korea Advanced Institute of Science and Technology (KAIST) hanno recentemente creato M-Hubo, un robot umanoide su ruote che completa semplici compiti quotidiani più velocemente di altri robot sviluppati in precedenza. Il nuovo robot, presentato in un articolo prepubblicato su arXiv, può rivelarsi particolarmente utile nell'aiutare gli anziani e le persone che hanno difficoltà a camminare in casa o a svolgere in autonomia le faccende domestiche di base.

"Abbiamo sviluppato un nuovo, sistema di maggiordomo robotico completamente autonomo per un umanoide su ruote, " hanno scritto i ricercatori nel loro articolo. "In questo lavoro, ci concentriamo su una particolare applicazione per il robot di servizio:prelevare e servire bevande a velocità paragonabili a quelle umane in un ambiente interno statico."

Per recuperare con successo un determinato oggetto e consegnarlo a un utente umano, i robot di servizio devono prima essere in grado di percepire ciò che sta accadendo nell'ambiente circostante in tempo reale, generando traiettorie di movimento che impediscono collisioni con oggetti vicini. Questo può essere molto difficile da raggiungere, particolarmente in situazioni in cui l'ambiente è dinamico (cioè, in continuo cambiamento) o quando la sua struttura è sconosciuta al robot.

Per affrontare questa sfida, il gruppo di ricerca di KAIST ha sviluppato una nuova strategia di progettazione che prevede l'integrazione di una pipeline di rilevamento di oggetti 3D con un pianificatore di manipolazione cinematicamente ottimale. È stato scoperto che questa strategia unica riduce la quantità di tempo necessaria al robot M-Hubo per prelevare una bevanda per un utente umano, aumentando la velocità con cui elaborava le informazioni sull'ambiente circostante e le traiettorie pianificate.

"Il sistema proposto ha funzionato al 24% della velocità di cui un essere umano ha bisogno per svolgere lo stesso compito, " hanno scritto i ricercatori nel loro articolo. "Il sistema ha dimostrato un alto tasso di successo del 90 percento nella configurazione del nostro ambiente, ma rifletteva una riduzione delle prestazioni dell'80% di tasso di successo in un'esposizione pubblica più dinamica a causa delle variazioni ambientali durante il tempo di esecuzione."

I ricercatori di KAIST hanno recentemente valutato e presentato il loro sistema di maggiordomo robotico in una mostra pubblica. Nel futuro, la strategia di progettazione alla base di M-Hubo potrebbe favorire lo sviluppo di nuovi robot di servizio in grado di completare compiti semplici in modo più rapido ed efficiente. Inoltre, una volta perfezionato, M-Hubo potrebbe rivelarsi uno strumento particolarmente utile per fornire assistenza di base agli anziani, così come altre persone con mobilità ridotta.

Nei loro studi successivi, i ricercatori vorrebbero aggiungere un componente di localizzazione al robot, in quanto ciò consentirebbe di recuperare rapidamente gli oggetti sia in ambienti statici che dinamici. Per raggiungere questo obiettivo, avrebbero bisogno di dotare il robot di uno strumento per la pianificazione dinamica del percorso e un pianificatore di attività di alto livello, sostituendo la semplice macchina a stati finiti (FSM) utilizzata nella versione demo di M-Hubo.

"Inoltre, strategie di apprendimento potrebbero essere utilizzate in futuro per ridurre i fallimenti, incertezze, e stati non sicuri, per aumentare infine il tasso di successo, " hanno scritto i ricercatori. "Infine, il tempo di esecuzione complessivo può essere ulteriormente ridotto anche in ambienti dinamici incorporando pianificatori di movimento di campionamento più veloci."

© 2020 Scienza X Rete