A Dél-Kaliforniai Egyetem (University of Southern California, USC) kutatói szerdán tették közzé annak a tesztkörnyezetnek a leírását, amely reményeik szerint új szintre emelné a ma elterjedt ipari robotokat, ugródeszkát biztosítva a gépek információ-feldolgozó, tervező és végrehajtó képességeinek tekintetében a precíz fizikai műveletek területén. Az IKEA Furniture Assembly Environment környezetre az egyik legelső olyan benchmark programként hivatkoznak, amely alkalmas az összetett manipulációs feladatok tesztelésére és felgyorsítására.

Ennek keretein belül a rendszerek a gépi tanulás (machine learning) megerősítéses tanulás (reinforcement learning) nevű módszerével, kísérlet útján találják és tanulják meg a legjobb kombinációkat és sorrendeket a legegyszerűbb műveletektől egészen a hosszabb távú tervezést és szofisztikált, alacsony szintű irányítást igénylő, komplex tevékenységekig. A pillanatnyilag béta állapotú kiadás 1.0-s verzióját decemberre ígérik, addig pedig a visszajelzéseket is gyűjtik az első publikáción és a program saját oldalán és a keresztül.

Az IKEA Furniture Assembly Environment nevében nem egybeesés az IKEA betűszó, mivel a szimulációban összesen 80 féle asztal, polc, szék vagy szekrény összeszerelésére van lehetőség a svéd lakberendezési vállalat bútorai közül. Az OpenAI Gym interfészre épülő tesztkörnyezet a mostani állás szerint két emulációt támogat a Rethink Robotics által fejlesztett Sawyer és Baxter robotokkal. Érdekesség, hogy a vizualizációhoz (jobban mondva a grafikus rendereléshez) a háromdimenziós játékok fejlesztéséhez használt Unity 3D motort alkalmazzák.

Nem rossz, de a csavarozás csak később jön

A bútorok összerakása teljesen realisztikus, amennyiben az egyes elemek ugyanúgy apró darabokban kezdik, mint egy otthoni IKEA-összeszerelős menetben. A kész termékeket a fogásra és mozgatásra alkalmas robotkarok a betanított mesterséges intelligencia irányításával állítják össze. A kutatók fogták a megfelelő bútorokhoz tartozó IKEA összeszerelési útmutatókat, minden fázist modelleztek a Unity alatt, és felcímkézték a kapcsolódási pontokat; a szoftver ezután a megerősítéses tanulás jutalmakra és büntetésekre épülő rendszerében egyszerűen összeépíti a berendezési tárgyakat.
 

forrás: clvrai.github.io/furniture

A leírás szerint a tesztkörnyezetben minden egyes lépést követően ellenőrzik a kapcsolatokat, vagyis két kapcsolódási pont azonosítójának megfelelőségét és azt, hogy az egymáshoz képest elfoglalt pozíciók vagy szögek beleesnek-e az előre meghatározott tartományokba. Ha minden klappol, akkor a két összekötő elem megkapja az "összekapcsolható" jelölést. Fontos, hogy a megvilágítás, a háttér, a színek vagy a textúrák véletlenszerűen változtathatók, hogy az is kiderüljön, a robotokat a gyakorlati felhasználásban mennyire borítják meg a munkakörnyezetükben tapasztalható változások.

Attól egyelőre nem kell tartani, hogy holnap reggeltől már robotokkal is összeszereltethetjük az otthoni szekrénysorokat, mivel a tesztkörnyezet egyelőre csak az elemek egymásba illesztésére alkalmas, vagyis még nincs szó a szerszámok felhasználásával való csavarozásról és szögelésről. A bétában ugyanígy csak 10 bútormodell közül lehet válogatni. A kutatók szerint az egész dolognak mégis van kifutása, mert a bútorok összeszerelése még az emberek számára is komplex feladat, ami magas szintű érzékelést, tervezést és alacsony szintű irányítást feltételez. Éppen ezért a folyamatosan fejlesztett környezetetből is megfelelő benchmark lehet az összetett problémák megoldását célzó algoritmusok teljesítményének mérsére és javítására.