Robot Berbasis AI Belajar Memainkan Permainan Jenga

• Para peneliti mengembangkan lengan robot yang menggunakan sentuhan dan penglihatan untuk mempelajari permainan Jenga.
• Metode pembelajaran mesin yang dikembangkan dalam karya ini dapat membantu robot merakit produk konsumen, dan melakukan tugas lain yang memerlukan interaksi fisik yang cermat.

Jenga adalah permainan kompleks yang membutuhkan koordinasi dan strategi mata-tangan yang tepat. Sebagai manusia, kami dengan mulus mengintegrasikan indera penglihatan dan sentuhan kami untuk menguasai permainan ini. Robot, di sisi lain, belum memiliki tingkat kecanggihan ini.

Kebanyakan sistem pembelajaran robotik hanya menggunakan data visual, tanpa sentuhan, yang pada dasarnya membatasi kemampuan mereka untuk belajar tentang dunia luar. Algoritme pembelajaran yang ada berdasarkan teknik pembelajaran penguatan tanpa model memiliki sedikit atau tidak ada kemampuan untuk mengeksploitasi pengetahuan tentang objek fisik, kontak, atau kekuatan.

Baru-baru ini, para peneliti di MIT's Mcube Lab mengembangkan algoritme untuk mereplikasi kemampuan ini menggunakan robot. Tidak seperti teknik pembelajaran mesin konvensional yang menggunakan kumpulan data besar untuk mengevaluasi langkah terbaik berikutnya, robot ini mempelajari dan memanfaatkan model hierarkis yang memungkinkan ekstraksi potongan dengan lembut dan tepat.

Robot Pemutar Jenga

Robot ini dilengkapi dengan kamera RGB eksternal, gripper bercabang lembut, dan manset pergelangan tangan yang mendeteksi kekuatan. Semua komponen ini memungkinkan robot untuk mengamati dan merasakan menara Jenga dan blok individunya.

Para peneliti menyesuaikan lengan robot industri ABB IRB 120 dan mendirikan menara Jenga dalam jangkauannya. Saat lengan dengan lembut mendorong balok, komputer menangkap umpan balik sentuhan dan visual dari manset dan kameranya, dan membandingkan pengukuran ini dengan gerakan robot sebelumnya.

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

Model ini memungkinkan robot untuk secara akurat memperkirakan keadaan bagian, mensimulasikan kemungkinan gerakan berikutnya, dan memutuskan yang menguntungkan. Secara real-time, mesin belajar apakah akan terus mendorong balok atau pindah ke yang baru, untuk menjaga struktur agar tidak runtuh.

Ini lebih menantang daripada mengembangkan AI untuk catur atau Go, karena permainan Jenga membutuhkan keterampilan fisik dasar seperti menarik, mendorong, menempatkan, dan menyelaraskan balok individu.

Robot yang dikembangkan dalam pekerjaan ini secara efisien mengidentifikasi ketika sebuah blok terasa macet atau bebas dan memutuskan bagaimana mengekstraknya menggunakan data yang jauh lebih sedikit. Itu dilatih pada hampir 300 upaya (bukan puluhan ribu upaya). Upaya hasil dan pengukuran yang serupa dikelompokkan dalam kelompok dan setiap kelompok mewakili perilaku blok tertentu.

Untuk setiap klaster data tunggal, mesin mengembangkan model untuk memperkirakan perilaku blok berdasarkan pengukuran taktil dan visual saat ini. Strategi pengelompokan ini — terinspirasi oleh cara alami manusia belajar — secara signifikan meningkatkan efisiensi robot untuk belajar bermain game.

Aplikasi

Metode ini adalah contoh sukses dari kecerdasan buatan yang bergerak ke dunia fisik. Saat robot berinteraksi dengan sekitarnya, ia mempelajari beberapa keterampilan dasar yang menentukan manipulasi manusia.

Baca:Dactyl:Tangan Robot Mirip Manusia yang Menggunakan AI Untuk Mencapai Ketangkasan yang Belum Pernah Ada

Sistem pembelajaran taktil ini dapat diterapkan untuk tugas-tugas di luar permainan Jenga, terutama tugas-tugas yang membutuhkan interaksi fisik yang cermat. Misalnya, merakit produk konsumen dan memisahkan bahan yang dapat didaur ulang dari tempat pembuangan sampah.

Di lini perakitan ponsel cerdas dan laptop, misalnya, sebagian besar langkah memerlukan sentuhan dan tindakan paksa, bukan hanya penglihatan, dan teknologi ini dapat meningkatkan lini perakitan tersebut secara drastis.