보이고, 저장되고, 학습되다

주어진 모델 없이 학습

이것이 바로 오늘날의 빈 피킹(Bin Picking) 솔루션의 중요한 차이점입니다. ROLE 그룹의 연구 시스템은 그립될 워크피스의 "학습된" 모델 없이 작동하므로, 알려지지 않은 오브젝트에 대해서도 작동합니다. 원칙적으로, 그 형태와 성질에 대한 제한은 없습니다. 재료 및 표면 특성에 대한 지식도 필요하지 않으며 암시적으로 학습됩니다. 이는, 모델 없는 접근법의 큰 장점으로, 모델 없는 접근법은 오브젝트의 3D 형상이나 그립핑 프로세스의 수학적 모델링이 필요하지 않습니다.

전망

KIT에서 개발된 방법은 트렌드를 주도하고 있지만, 연구자들은 아직 목표에 도달하지 못했습니다. "빈 피킹은 이미 나사와 같이 단순한 오브젝트에 대해 신뢰할 만하게 작동하지만, 특히 더 복잡하고 알려지지 않은 오브젝트를 잡기 위해 제품 완성에 도달하기 위해 필요한 연구가 여전히 남아 있습니다. 그러나, 우리가 개발하는 방법은 기본적이고 유연하며, 다양한 작업에 사용될 수 있습니다,"라고 Lars Berscheid는 말했습니다. 자율 학습 시스템은 로봇 연구의 핵심 주제로 남아 있습니다. 어플리케이션-지향 프로젝트로부터, 과학자들은 생산에서 더 많은 유연성이 필요한 것을 깨닫고 있으며, 이는 로봇 공학에서 종종 더 많은 센서를 사용하여 더 많은 이미지를 처리하도록 합니다.

KIT에서, 연구는 계속해서 두 가지 핵심 주제에 초점을 맞출 것입니다: 첫째, 기본 학습 방법을 개선하고 가속화할 수 있는 방법입니다. 디지털 트윈을 통한 교육, 컴퓨터 상의 시뮬레이션, 및 실제 로봇으로의 후속 전송과 같은 기술은 물론 서로 다른 작업들 간의 지식 전달도 유망합니다. 둘째, 과학자들은 로봇 시스템 학습으로 어떤 새로운 어플리케이션을 더 잘 자동화할 수 있을지 또는 처음으로 자동화할 수 있을지를 연구하고 있습니다. 예를 들어, 직물 처리(수건과 옷을 잡고 접는 것), 재활용을 위한 전기 모터와 같은 산업 부품의 해체, 카메라 데이터에 기반하여 알 수 없는 오브젝트에 대한 페인팅, 또는 액체 또는 알갱이 매질(granular media) 처리 등에서, 흥미로운 가능성이 있습니다. 이 작업은 시뮬레이션으로 학습되고, 그 다음 실제 로봇으로 전송됩니다.

예를 들어, 문제는 어떻게 그립 비율(gripping rate)를 더욱 높이면서 시스템의 견고성을 달성할 수 있는 지입니다. "원칙적으로, 우리는 ROLE 시스템으로 95% 이상의 잡는 비율을 달성할 수 있습니다,"라고 Berscheid는 설명합니다. 이는 100번의 그립핑 시도들 중 최대 5번이 실패한 것을 의미합니다. 이제 발생하는 질문: 더 긴 학습을 통해, 실패한 시도들을 더 줄일 수 있습니까?

또 다른 중요한 문제는, 어떻게 시스템이 깊이 이미지에서 누락된 3D 데이터를 처리할 지입니다. 현재, ROLE 팀은 오브젝트를 위에서 수직으로 잡는 것만으로 스스로를 제한합니다. 그러나 시스템이 6가지 자유도들을 모두 사용할 수 있는 방법은 무엇입니까? 모델 없는 빈 피킹의 다른 전형적인 도전, 특히 그립된 오브젝트의 보관 또는 추가 처리와 같은 후속 공정 단계를 위해 새로운 솔루션이 모색됩니다.

KIT 과학자들은 여전히 할 일이 많지만, 접근 방식과 이전 결과는 산업용 머신 러닝의 엄청난 잠재력을 보여줍니다. 3D 이미지 처리는 필연적으로 이와 관련이 있으며, 완벽한 그립을 향한 "로봇 손"을 제어하기 위한 중요한 기본 데이터를 제공합니다. 보이고, 저장되고, 학습되다- 그것이 바로 미래입니다.

*) 기계 영역의 학습 강화, 전략이 보상에 의해 지원되는 독립적으로 학습됨.