Agarrar los elementos que la gente recoge en su día a día en la vida de forma torpe, es una tarea resbaladiza para los robots.
Crédito: University of California - Berkeley
Los artículos de forma irregular, tales como zapatos, botellas de aerosol, cajas abiertas, incluso los patos de goma son fáciles para que la gente los agarre y recoja, pero los robots luchan con saber dónde aplicar un agarre. En un paso significativo hacia la superación de este problema, los robots de UC Berkeley tienen un robot construido que puede captar y mover objetos desconocidos del mundo real con una tasa de éxito de 99 por ciento.
El Profesor Ken Goldberg de Berkeley, el investigador posdoctoral Jeff Mahler y el laboratorio de automatización de Ciencia e ingeniería (Autolab) crearon el robot, llamado DexNet 2,0. La alta tasa de éxito de captación de DexNet 2.0 significa que esta tecnología pronto podría ser aplicada en la industria, con el potencial de revolucionar la fabricación y la cadena de suministro.
DexNet 2,0 obtuvo su destreza altamente precisa a través de un proceso llamado Deep Learning. Los investigadores construyeron una vasta base de datos de formas tridimensionales — 6.7 millones de puntos de datos en total — que una red neuronal utiliza para aprender las captaciones que recogerán y moverán objetos con formas irregulares.
La red neural fue conectada a un sensor tridimensional y un brazo robótico. Cuando un objeto se coloca delante de DexNet 2,0, estudia rápidamente la forma y selecciona un agarre que recogerá con éxito y moverá el objeto 99 por ciento de las veces. DexNet 2,0 es también tres veces más rápido que su versión anterior.