- Представлен Dexop — пассивный экзоскелет для кистей, предназначенный для обучения роботов хватать предметы.
- Экзоскелет фиксирует как движения пальцев, так и силу нажатия, что позволяет получать более качественные датасеты для машинного обучения.
- Обучение роботов с помощью Dexop значительно ускоряет освоение сложных манипуляций, таких как вкручивание лампочки, в сравнении с традиционными методами.
Группа исследователей из Improbable AI Lab, Массачусетского технологического института и Калифорнийского университета разработала инновационное устройство — пассивный экзоскелет для кистей рук под названием Dexop. Цель этого устройства — улучшить процесс сбора данных для обучения роботов, предназначенных для выполнения захвата и манипуляций с предметами.
В современных системах робототехники обучение часто происходит на основе цифровых симуляций и джойстиков, где робот запоминает последовательность движений и пытается их воспроизвести. Однако такой подход оказывается недостаточно эффективным: обучение занимает много времени, а получаемые датасеты низкого качества. Особенно сложно роботам понять, с какой силой следует сжимать предмет, чтобы удержать его без повреждений.
Dexop решает эти проблемы за счёт физической связи между кистью оператора и роборукой. Когда человек сгибает палец, робот синхронно повторяет это движение. Особенностью системы является наличие датчиков давления на кончиках роботизированных пальцев, которые фиксируют не только траекторию движения, но и силу нажатия. Вследствие этого удаётся получить более чистые и точные данные для обучения.
В практических тестах эффективность новой методики была сопоставлена с традиционным подходом. Робота обучали выполнять задачи, включая вкручивание лампочки, сборку коробки, открытие бутылки и завинчивание винта. Результаты продемонстрировали значительный прирост скорости и точности: робот, обученный с помощью Dexop, вкручивал лампочку за 11 секунд, тогда как при использовании классических методов процесс занимал порядка 86 секунд.
Однако у системы имеются и недостатки. Так, экзоскелет требует тщательной калибровки и настройки, без чего данные могут оказаться искаженными и неэффективными для обучения.
Таким образом, разработка Dexop открывает новые перспективы в области обучения роботов сложным манипуляциям за счёт повышения качества исходных данных и ускорения процесса обучения. Это важный шаг к практическому применению робототехники в задачах, требующих тонкого моторного контроля.
