Lengan Robot Menguasai Jenga dengan AI Vision & Taktile
Peneliti mengembangkan lengan robot yang menggunakan sentuhan dan penglihatan untuk mempelajari permainan Jenga.
Metode machine learning yang dikembangkan dalam karya ini dapat membantu robot merakit produk konsumen, dan melakukan tugas lain yang memerlukan interaksi fisik yang hati-hati.
Jenga adalah permainan kompleks yang memerlukan koordinasi mata-tangan yang presisi dan strategi. Sebagai manusia, kita dengan lancar mengintegrasikan indra penglihatan dan sentuhan untuk menguasai permainan ini. Robot, di sisi lain, belum memiliki tingkat kemajuan ini.
Sebagian besar sistem pembelajaran robot hanya menggunakan data visual, tanpa indra sentuhan, yang pada dasarnya membatasi kemampuan mereka untuk belajar tentang dunia luar. Algoritma pembelajaran yang ada berdasarkan teknik reinforcement learning tanpa model memiliki sedikit atau tidak ada kemampuan untuk mengeksploitasi pengetahuan tentang objek fisik, kontak, atau gaya.
Baru-baru ini, peneliti di Laboratorium MCube MIT mengembangkan algoritma untuk mereplikasi kemampuan ini menggunakan robot. Tidak seperti teknik machine learning konvensional yang menggunakan kumpulan data besar untuk mengevaluasi langkah terbaik berikutnya, robot ini belajar dan mengeksploitasi model hierarkis yang memungkinkan ekstraksi potongan yang halus dan presisi.
Robot Pengguna Jenga
Robot dilengkapi dengan kamera RGB eksternal, gripper berkunci lunak, dan manchet deteksi gaya pergelangan tangan. Semua komponen ini memungkinkan robot untuk mengamati dan merasakan menara Jenga dan potongan-potongan individu.
Peneliti menyesuaikan lengan robot industri ABB IRB 120 dan menyiapkan menara Jenga dalam jangkauan tangan. Saat lengan dengan lembut mendorong sebuah potongan, komputer menangkap umpan balik taktil dan visual dari manchet dan kamera, dan membandingkan pengukuran ini dengan gerakan sebelumnya robot.
Referensi: ScienceRobotics | doi:10.1126/scirobotics.aav3123 | MIT
Model ini memungkinkan robot untuk secara akurat mengestimasi keadaan sebuah potongan, mensimulasikan gerakan berikutnya yang mungkin, dan memutuskan salah satu yang menguntungkan. Dalam waktu nyata, mesin belajar apakah harus terus mendorong potongan atau beralih ke potongan baru, untuk menjaga struktur agar tidak runtuh.
Ini lebih menantang dari pada mengembangkan AI untuk catur atau Go, karena permainan Jenga memerlukan keterampilan fisik dasar seperti menarik, mendorong, menempatkan dan menyelaraskan potongan individu.
Robot yang dikembangkan dalam karya ini secara efisien mengidentifikasi kapan sebuah potongan terasa macet atau bebas dan memutuskan cara mengekstraknya dengan jauh lebih sedikit data. Robot dilatih pada hampir 300 upaya (bukan puluhan ribuan upaya). Upaya dengan hasil dan pengukuran yang serupa dikelompokkan dalam klaster dan setiap klaster mewakili perilaku potongan tertentu.
Untuk setiap klaster data tunggal, mesin mengembangkan model untuk mengestimasi perilaku potongan berdasarkan pengukuran taktil dan visual saat ini. Strategi pengelompokan ini — terinspirasi dari cara alami manusia belajar — secara signifikan meningkatkan efisiensi robot dalam belajar bermain permainan ini.
Aplikasi
Metode ini adalah contoh sukses kecerdasan buatan yang bergerak ke dunia fisik. Saat robot berinteraksi dengan lingkungannya, ia mempelajari beberapa keterampilan dasar yang mendefinisikan manipulasi manusia.
Baca: Dactyl: Tangan Robot Seperti Manusia yang Menggunakan AI untuk Mencapai Ketangkasan yang Tidak Pernah Ada Sebelumnya
Sistem pembelajaran taktil ini dapat diterapkan pada tugas-tugas di luar permainan Jenga, terutama tugas-tugas yang memerlukan interaksi fisik yang hati-hati. Misalnya, merakit produk konsumen dan memisahkan materi yang dapat didaur ulang dari sampah tempat pembuangan akhir.
Di baris perakitan smartphone dan laptop, misalnya, sebagian besar langkah memerlukan tindakan sentuhan dan gaya daripada hanya penglihatan, dan teknologi ini dapat secara drastis meningkatkan baris perakitan tersebut.
