Çevreleriyle etkili bir şekilde iletişime girmek için, robotlar; farklı nesnelerin özelliklerini tıpkı insanlar gibi dokunarak tanımlayabilmelidir. Bu, kavrama ve manipülasyon stratejilerini ayarlamak için sensörler tarafından toplanan geri bildirimleri kullanarak, nesneleri daha etkin bir şekilde ele almalarını ve yönetmelerini sağlar.
Dünya çapında araştırma ekipleri; bunu göz önünde bulundurarak, birçoğu derin öğrenme mimarilerinin kullanımına dayanan, sensörler tarafından toplanan verileri analiz ederek, robotlara dokunma hissi verebilecek teknikler geliştirmeye çalışmaktadır. Bu yöntemlerin bazıları ümit verici olsa da; genellikle büyük miktarda eğitim verisi gerektirir ve daha önce görülmeyen nesneler arasında her zaman iyi bir genelleme yapmazlar.
ETH Zürih’teki araştırmacılar, son zamanlarda büyük miktarlarda gerçek dünya verilerine ihtiyaç duymadan robotlarda dokunsal algılamayı mümkün kılabilecek yeni bir derin öğrenme tabanlı strateji geliştirdiler. ArXiv’de önceden yayınlanan bir makalede ana hatları çizilen yaklaşımları, derin sinir ağlarının tamamen simülasyon verileri üzerine eğitilmesini gerektirir.
Araştırmacı Carlo Sferrazza: “Tekniğimiz verilerden algılama yüzeyi ile temas eden bir cismin uyguladığı kuvvetlerin dağılımını nasıl tahmin edileceğini öğreniyor. Şimdiye kadar, bu verilerin (on binlerce veri noktası sırasıyla), birkaç saat boyunca deneysel bir kurulumda toplanması gerekiyordu, bu da zaman ve ekipman açısından pahalıydı. Bu çalışmada, verilerimizi tamamen simülasyon, tekniğimizi gerçek dünyaya dağıtırken yüksek algılama doğruluğunu koruyor. ”
Deneylerinde, Sferrazza ve meslektaşları basit ve düşük maliyetli bileşenlerle inşa ettikleri bir sensör kullandılar. Bu sensör, küçük plastik parçacıkların rasgele yayılmasını içeren yumuşak bir malzemenin altına yerleştirilmiş standart bir kameradan oluşur.
Yüzeyine bir kuvvet uygulandığında, yumuşak malzeme deforme olur ve plastik parçacıkların hareket etmesine neden olur. Bu hareket daha sonra sensörün kamerası tarafından yakalanır ve kaydedilir.
Sferrazza: “Malzeme deformasyonuna neden olan kuvvetler hakkında bilgi elde etmek için hareketli parçacıkların yarattığı görüntü desenlerinden faydalanıyoruz. Parçacıkları malzemeye yoğun bir şekilde gömerek son derece yüksek bir çözünürlük elde edebiliriz. Bu görevi çözmek için veriye dayalı bir yaklaşım benimsediğimizden, yumuşak malzemelerle teması modelleme karmaşıklığının üstesinden gelebilir.”
Temel olarak, araştırmacılar, en yeni hesaplama yöntemlerini kullanarak sensörün yumuşak malzemesinin ve kamera projeksiyonunun modellerini oluşturdular. Daha sonra bu modelleri simülasyonlarda, dokunsal algılama algoritmalarını eğitmek için ideal olan 13.448 sentetik görüntü veri kümesi oluşturmak için kullandılar. Simülasyonlarda dokunsal algılama modelleri için eğitim verileri üretebilmeleri; gerçek dünyada veri toplamalarını ve açıklama eklemelerini engellemeleri nedeniyle oldukça avantajlıdır.
Sferrazza: “Aynı modeli, gerçek dünyada ürettiğimiz dokunsal sensörlerin birden fazla örneğinde ek verilere gerek duymadan kullanmamızı sağlayan bir transfer öğrenme tekniği geliştirdik. Bu, her bir sensörün ek kalibrasyon çabaları gerektirmediği için üretimi daha ucuz hale geldiği anlamına gelir. Eğitim verdiğimiz kişiye özel sinir ağı mimarisi, simülasyonlarımızda kullanılan verilerden oldukça farklı olan verilere uygulandığında, örneğin, keyfi olarak tek veya birden fazla nesne ile temas tahmini için, çok umut verici genelleme olanakları da gösteriyor.”
Araştırmacılar, vizyona dayalı dokunsal algılama uygulamaları için, DNA kullanılacak bir sinir ağı mimarisini eğitmek için oluşturdukları sentetik veri kümesini kullandılar ve ardından bir dizi testte performansını değerlendirdiler. Sinir ağı; simülasyonlar konusunda eğitilmiş olsa bile, gerçek veriler üzerinde doğru algılama tahminleri yaparak kayda değer sonuçlar elde etti.
Gelecekte, Sferrazza ve meslektaşları tarafından geliştirilen derin öğrenme mimarisi; robotlara yapay bir dokunma hissi verebilir ve potansiyel olarak kavrama ve manipülasyon becerilerini geliştirebilir. Ek olarak, derledikleri sentetik veri kümesi, dokunsal algılama için diğer modelleri eğitmek için kullanılabilir veya yeni simülasyon tabanlı veri kümelerinin oluşturulmasına ilham verebilir.
Sferrazza: “Şimdi algoritmalarımızı karmaşık nesnelerle çok genel etkileşimler içeren görevlerde değerlendirmek istiyoruz ve ayrıca doğruluklarını geliştirmek için çalışıyoruz. Bu tekniğin, cam veya yumurta gibi kırılgan nesnelerin ince manipülasyonunu içeren uygulamalar gibi gerçek dünyadaki robotik görevlere uygulandığında avantajlarını göstereceğini düşünüyoruz.”
