Spretni roboti

SVIJET ROBOTIKE

Engleski pojam dexterity (spretnost) star je koliko i povijest robotskih ruku ili još točnije robotskih mehaničkih prihvatnica (engl. end-effector). Tek odnedavno pojam spretnosti koristi se i za opis hodajućih robota. Dvoprstne prihvatnice svojom pojednostavljenom konstrukcijom oponašale su posebnost ljudske šake: antagonistički prihvat predmeta palcem i kažiprstom. Njihovo korištenje bilo je vrlo rašireno pa ih se zatiče kao zaštitni znak mnogih prvih društava za industrijsku robotiku. Pridjeljivanje svojstva “spretnosti” mehanizmu i danas zvuči neobično jer tradicionalno opisuje sposobnost životinja. Definicija strojnu spretnost opisuje kao “vještinu upotrebe ruku” ili “postupak rukovanja (baratanje) objektom iz jedne konfiguracije prihvata u drugu konfiguraciju pri čemu više manipulatora ili prstiju surađuje kod prihvata i manipuliranja s njim”. Spretnost nema egzaktnu formulu. To je kvalitativan opis. Govori se o indeksu spretnosti, a razrađena je i taksonomija mogućih prihvata za prihvatnice s pet prstiju. Nedostatak egzaktnosti nadoknađen je postojanjem idealnog i univerzalnog sredstva spretne manipulacije, a to je ljudska petoprstna šaka. Povećanje spretnosti robotske petoprstne šake velik je razvojni cilj robotike. Njegovim dostizanjem proširio bi se prostor korištenja, kako industrijskih tako i servisnih robota. Za izvršavanje jednostavnih pick and place (prihvati i prenesi) zadataka koji ne traže veliku spretnost pri manipulaciji jeftinije je primijeniti dvoprstnu prihvatnicu, a za posebne zadatke konstruirati specijalizirane prihvatnice sa što manje zglobova, senzora i motora. Zbog toga na tržištu ima mnoštvo robotskih prihvatnica funkcionalno ograničenih i jednostavnih konstrukcija. Indeks njihove spretnosti primjeren je zadatku, a omogućuju visoku preciznost i ponovljivost prihvata. Nasuprot tome, ljudska šaka je univerzalna prihvatnica sposobna izvoditi mnoštvo poslova teških za robote. Brojni su motivi razvoja univerzalne spretne prihvatnice nalik ljudskoj šaci. Najspretnija robotska ruka služila bi kao unificirani manipulator opće namjene. Npr. sve je više androidnih robota s petoprstnim šakama. Kod proteza ruke i na rehabilitacijskim uređajima čovjekolikost prihvatnica je očekivana. Teleoperacijsko upravljanje rukama na daljinu uvjetuje čovjekoliki mehanizam na udaljenom robotu koji ponavlja radnje ruke operatera. Potreba za prihvatnicama povećane spretnosti postoji zbog toga što su u nekim poslovima manipulacijski roboti i danas izrazito nespretni. Predmeti koje prvi put susreću “ispadaju im iz ruku” iznad razine toleriranja. Brzorastuća e-trgovina zbog cijene usluge ima potrebu upravo za robotskim rukama koje su spretne u rukovanju paketima različitih veličina i težina. U tom poslu najvažnija je percepcija predmeta i određivanje ispravnog prihvata.

KONSTRUKCIJSKA SPRETNOST PRIHVATNICA. Prihvatnice (slika lijevo) s dva paralelna prsta koriste koncept prihvata antagonističkim prstima (palac i kažiprst). Zbog jednostavnosti bile su lake za upotrebu i vrlo učinkovite, ali su imale nisku spretnost. Spretnost je kooperativna manipulacija između više manipulatora (primjerice dvije ruke) ili prstiju na istoj šaci. Kompleksne šake s pet prstiju imaju veliku potencijalnu spretnost (slika u sredini). No složeno upravljanje kao i skupoća i do danas onemogućavaju njihovu primjenu. Najspretnija robotska ruka služila bi kao manipulator opće namjene za obavljanje najraznovrsnijeg skupa zadataka po ugledu na ljudsku ruku na crtežima Holbacha (slika desno).

SPRETNOST I BROJ PRSTIJU. Spretnost dvoprstnih prihvatnica (slika u sredini) je niska. Zbog toga im je prilagodljivost poslu loša, ali dobro rade s poznatim objektima. Troprstna prihvatnica (slika desno) osigurava pouzdaniji prihvat. Petoprstna šaka trenutno ima lošu izvedbu zadataka, ali veliku potencijalnu prilagodljivost. Ljudska ruka (slika lijevo) ima veliku spretnost jer je prilagodljiva objektima prihvata, ali i dobro izvodi i uhodane zadatke.

Globalne tvrtke poput Amazona spremne su uložiti velika sredstva u razvoj spretnih robota s petoprstnim šakama. One organiziraju natjecanja poput Amazon Picking Challengea koja pokazuju da robotima predstavlja problem pronaći i uhvatiti npr. olovku u neurednoj gomili predmeta. Ljudi po satu postižu od 400 do 600 pronalaženja i prihvata, a najbolji roboti su između 70 i 95 pronalaženja, dok noviji strojevi postižu od 200 do 300 manipulacija na sat. Razvoj spretne petoprstne šake je i znanstveni cilj. Strojevi uspješno igraju šah ili go, ali je robotima nedostižna tjelesna spretnost dvogodišnjaka. Još je Moravčev paradoks ukazivao da su zadaci teški za ljude relativno laki za robote, a zadaci laki za ljude gotovo su neizvedivi za robote. Sposobnosti spretnog manipuliranja ljudima su urođene. Rade ih intuitivno i dosad ih nismo bili u stanju formalizirati. Konačni znanstveni cilj istraživanja robotskog prihvata je dati robotu antropomorfnu spretnost rukovanja predmetima na ljudskoj razini. Uz to, važan je i odnos ljudske petoprstne šake s razvojem kognitivnih sposobnosti čovjeka što je bio razlog evolucijskog razdvajanja Homo sapiensa od srodnih primata. Antagonistički položaj i visoka pokretljivost palca pri izvođenju preciznih zahvata ili sposobnost jednoručne manipulacije prstima predmetom na dlanu jedinstvena je. Zbog toga se zadatak spretnog baratanja objektom petoprstnom šakom smatra ekvivalentom zadatku prepoznavanja oblika u području strojnog učenja. Program ImageNet promijenio je strojno učenje obradom vrlo velikih skupova podataka označenih slika. Tako je potaknut razvoj metode dubokog učenja općenito, posebice strojnog vida. Program “Dex-Net” (Mreža spretnosti) pokrenula je tvrtka OpenAI s ciljem da učini za spretnu manipulaciju ono što je ImageNet učinio za računalni vid. U projektu “Dactyl” koriste se iste metode u strategiji treninga robotske ruke za manipuliranje Rubikovom kockom. Cilj pokusa nije bio riješiti Rubikovu kocku, jer to specijalizirani roboti mogu napraviti brže, već manipulirati njom prstima robotske petoprstne šake bez prethodnog posjedovanja podataka o svim mogućim orijentacijama i kombinacijama. U pokusu je

Spretnost robota definira se kao “sposobnost robota da manipulira raznim objektima u različitim radnjama”. Nejasno je koliko vremena treba robotima da razviju spretnost kakvu imaju ljudske ruke, no u ovom trenutku daleko smo od toga da joj se i približimo.

DOSTIGNUTA MEHANIČKA SLOŽENOST. Konstrukcijska složenost suvremenih petoprstnih šaka je vrlo visoka. Oblikom, veličinom i masom robotske šake približile su se ljudskoj šaci (slika lijevo). Kinematičke i dinamičke osobine također su im velike. Model Shadow Hand (slika u sredini) specifičan je po tome što ima pogon prstiju izvan šake. Prsti se pokreću sustavom sajli sličnih tetivama. To omogućava laganu konstrukciju prstiju. DRL Hands (slika desno) ima pogone u samoj šaci. Stupanj integracije senzora, elektronike i motora u malom prostoru vrlo je visok. Ono što tim složenim mehanizmima nedostaje je funkcionalna spretnost usporediva s ljudskom. Istraživanje konstrukcija je u razvojnoj fazi prikupljanja podataka i uspoređivanja s biološkim uzorom. Slijedi faza učenja.

SIM-TO-REAL METODA UČENJA SPRETNOSTI. Jednoručno učenje slaganja Rubikove kocke izvedeno je upravljačkim algoritmom treniranim korištenjem 13 tisuća godina simuliranih podataka sa 64 Nvidia V100 najboljih komercijalno dostupnih grafičkih procesorskih jedinica na 920 radnih strojeva koji su radili nekoliko mjeseci. Najprije je to izvedeno u simuliranoj okolini (slika desno), a potom je prebačeno u realni svijet. Unatoč općenitoj tvrdnji da je za učenje robota dobivanje simulacijskih podataka jeftinije od prikupljanja podataka iz stvarnog svijeta ovo istraživanje bilo je vrlo skupo. A ta se naučena spretnost ne može prenijeti na neki drugi zadatak jer neuronske mreže zaborave prethodni zadatak kada ih se uči neki drugi.

SPRETNOST HODAJUĆIH ROBOTA. S razvojem uspješnih hodajućih robota pojam spretnosti počeo se primjenjivati i na njih. Životinje, poput divokoza npr., pokazuju ekstremnu spretnost pri kretanju po hridinama. U takvom slučaju sustav manipuliranja vlastitim položajem tijela u odnosu na površinu tla zapravo je dinamički obrnut od manipulacije. Na slici lijevo robot ANYmal vješto nogama žonglira s loptom. U sredini je uobičajeni test stabilnosti androida kada ih se izlaže iznenadnom odgurivanju. Na slici desno robot Mini Chetah izvodi kolut naprijed. Sve su to primjeri spretnog ponašanja mehanizama.

korištena petoprstna šaka “Shadow Dextrous E Series Hand” (razvijena još prije 18 godina) sa sustavom snimanja pokreta za koordinaciju pet vrhova prstiju PhaseSpace. Sustav Dactyl obučen je kroz simulacije, a potom je to znanje preneseno na stvarnu petoprstnu šaku, prilagođavajući se fizici stvarnog svijeta. Dactyl uči od nule koristeći isti algoritam i kod za učenje s pojačanjem opće namjene “OpenAI Five”. Poze kocke na dlanu ruke određivane su sustavom od tri kamere, a napravljene su i izmjene na kocki zbog povećanja prianjanja i robusnosti sustava Dactyl. Istraživači su izgradili virtualno okruženje kocke i modela ruke robota, te uvježbali algoritam koji će upravljati rukom u simulaciji. Zatim su naučeni (istrenirani) algoritam prenijeli na fizičku ruku i dali mu prilagođenu Rubikovu kocku. Ta metoda poznata kao sim-to-real (od simulacije do stvarnosti) omogućila je slaganje kocke. Iako se Rubikova kocka čini dalekom od stvarnih praktičnih radnji (npr. nošenja čaše) razvoj spretnosti na ljudskoj razini važan je korak prema uslužnim (servisnim) robotima koji mogu reagirati u raznim okolnostima. Ovaj projekt pokazuje kako moderni simulatori mogu zadovoljavajuće obuhvatiti i fiziku manipulacije Rubikovom kockom. Međutim, puno ih je teže primijeniti u radu s mekim i savitljivim materijalima, predmetima složenih oblika itd. Općenito, potreban je ogroman rad da se konkretan manipulacijski problem dovede do stanja koje se može riješiti metodom reinforcement learning (učenje uz pojačanje) i treningom temeljenim na simulaciji. Stopa trenutnog uspjeha slaganja Rubikove kocke spretnom petoprstnom šakom iznosi svega 20%, što znači da robot ispusti kocku u ostalih 80% slučajeva. Pri tome se ne koristi standardna već preuređena “blue-tooth Rubikova kocka” s ugrađenim senzorima položaja uz pomoć kojih se “vidi” njena trenutna konfiguracija. Kada se slaganje obavlja samo uz videopraćenje “lica kocke” stopa uspješnosti je 0%. To je rezultat nevjerojatno velikog utrošenog ekvivalenta od 13 tisuća godina stjecanja iskustva u obuci spretnog jednoručnog slaganja Rubikove kocke. Još uvijek smo vrlo daleko od spretne petoprstne šake.

Igor Ratković