Aider les robots à manipuler les fluides

Image précédente Image suivante

Imaginez que vous appréciez un pique-nique au bord d'une rivière par une journée venteuse. Une rafale de vent attrape accidentellement votre serviette en papier et atterrit à la surface de l'eau, s'éloignant rapidement de vous. Vous attrapez un bâton à proximité et agitez soigneusement l'eau pour le récupérer, créant une série de petites vagues. Ces vagues finissent par repousser la serviette vers le rivage, alors vous l'attrapez. Dans ce scénario, l'eau agit comme un moyen de transmission des forces, vous permettant de manipuler la position de la serviette sans contact direct.

Les humains interagissent régulièrement avec divers types de fluides dans leur vie quotidienne, mais cela a été un objectif formidable et insaisissable pour les systèmes robotiques actuels. Vous donner un café au lait ? Un robot peut faire ça. Fais-le? Cela va demander un peu plus de nuances.

FluidLab, un nouvel outil de simulation conçu par des chercheurs du Laboratoire d'informatique et d'intelligence artificielle du MIT (CSAIL), améliore l'apprentissage des robots pour des tâches complexes de manipulation de fluides telles que la fabrication d'art latte, la crème glacée et même la manipulation de l'air. L'environnement virtuel offre une collection polyvalente de défis complexes de manipulation de fluides, impliquant à la fois des solides et des liquides, et plusieurs fluides simultanément. FluidLab prend en charge la modélisation des solides, des liquides et des gaz, y compris les objets élastiques, plastiques, rigides, les liquides newtoniens et non newtoniens, ainsi que la fumée et l'air.

Au cœur de FluidLab se trouve FluidEngine, un simulateur physique facile à utiliser capable de calculer et de simuler de manière transparente divers matériaux et leurs interactions, tout en exploitant la puissance des unités de traitement graphique (GPU) pour un traitement plus rapide. Le moteur est "différentiel", ce qui signifie que le simulateur peut intégrer des connaissances en physique pour un modèle du monde physique plus réaliste, conduisant à un apprentissage et une planification plus efficaces des tâches robotiques. En revanche, la plupart des méthodes d'apprentissage par renforcement existantes manquent de ce modèle mondial qui dépend uniquement des essais et des erreurs. Selon les chercheurs, cette capacité améliorée permet aux utilisateurs d'expérimenter des algorithmes d'apprentissage de robots et de jouer avec les limites des capacités de manipulation robotique actuelles.

Pour préparer le terrain, les chercheurs ont testé lesdits algorithmes d'apprentissage de robots à l'aide de FluidLab, découvrant et surmontant des défis uniques dans les systèmes fluides. En développant des méthodes d'optimisation intelligentes, ils ont pu transférer efficacement ces apprentissages des simulations vers des scénarios réels.

« Imaginez un avenir où un robot domestique vous assiste sans effort dans les tâches quotidiennes, comme faire du café, préparer le petit-déjeuner ou cuisiner le dîner. Ces tâches impliquent de nombreux défis de manipulation des fluides. Notre référence est une première étape pour permettre aux robots de maîtriser ces compétences, au profit des ménages et des lieux de travail », déclare Chuang Gan, chercheur invité au MIT CSAIL et chercheur au MIT-IBM Watson AI Lab, auteur principal d'un nouvel article sur la recherche. « Par exemple, ces robots pourraient réduire les temps d'attente et améliorer l'expérience client dans les cafés très fréquentés. FluidEngine est, à notre connaissance, le premier moteur physique du genre qui prend en charge une large gamme de matériaux et de couplages tout en étant entièrement différentiable. Grâce à nos tâches de manipulation de fluides standardisées, les chercheurs peuvent évaluer les algorithmes d'apprentissage des robots et repousser les limites des capacités de manipulation robotique d'aujourd'hui.

Fantaisie fluide

Au cours des dernières décennies, les scientifiques du domaine de la manipulation robotique se sont principalement concentrés sur la manipulation d'objets rigides ou sur des tâches de manipulation de fluides très simplistes comme verser de l'eau. L'étude de ces tâches de manipulation impliquant des fluides dans le monde réel peut également être une entreprise dangereuse et coûteuse.

Avec la manipulation des fluides, il ne s'agit pas toujours uniquement de fluides. Dans de nombreuses tâches, telles que créer le tourbillon de crème glacée parfait, mélanger des solides dans des liquides ou pagayer dans l'eau pour déplacer des objets, c'est une danse d'interactions entre les fluides et divers autres matériaux. Les environnements de simulation doivent prendre en charge le "couplage", c'est-à-dire la manière dont deux propriétés de matériau différentes interagissent. Les tâches de manipulation de fluides nécessitent généralement une précision assez fine, avec des interactions et une manipulation délicates des matériaux, ce qui les distingue des tâches simples comme pousser un bloc ou ouvrir une bouteille.

Le simulateur de FluidLab peut calculer rapidement comment différents matériaux interagissent les uns avec les autres.

"Taichi", un langage spécifique à un domaine intégré à Python, aide les GPU. Le système peut calculer des gradients (taux de changement des configurations d'environnement par rapport aux actions du robot) pour différents types de matériaux et leurs interactions (couplages) les uns avec les autres. Ces informations précises peuvent être utilisées pour affiner les mouvements du robot pour de meilleures performances. En conséquence, le simulateur permet des solutions plus rapides et plus efficaces, ce qui le distingue de ses homologues.

Les 10 tâches proposées par l'équipe se répartissaient en deux catégories : utiliser des fluides pour manipuler des objets difficiles à atteindre et manipuler directement des fluides pour des objectifs spécifiques. Les exemples comprenaient la séparation de liquides, le guidage d'objets flottants, le transport d'articles avec des jets d'eau, le mélange de liquides, la création d'art latte, le façonnage de la crème glacée et le contrôle de la circulation de l'air.

"Le simulateur fonctionne de la même manière que les humains utilisent leurs modèles mentaux pour prédire les conséquences de leurs actions et prendre des décisions éclairées lors de la manipulation de fluides. C'est un avantage significatif de notre simulateur par rapport aux autres", déclare Zhou Xian, doctorant à l'Université Carnegie Mellon, un autre auteur de l'article. "Alors que d'autres simulateurs prennent principalement en charge l'apprentissage par renforcement, le nôtre prend en charge l'apprentissage par renforcement et permet des techniques d'optimisation plus efficaces. L'utilisation des gradients fournis par le simulateur prend en charge une recherche de politique très efficace, ce qui en fait un outil plus polyvalent et efficace."

Prochaines étapes

L'avenir de FluidLab s'annonce prometteur. Les travaux en cours ont tenté de transférer des trajectoires optimisées en simulation vers des tâches du monde réel directement en boucle ouverte. Pour les prochaines étapes, l'équipe travaille à développer une politique en boucle fermée dans la simulation qui prend comme entrée l'état ou les observations visuelles des environnements et effectue des tâches de manipulation fluide en temps réel, puis transfère les politiques apprises dans des scènes du monde réel.

La plate-forme est accessible au public et les chercheurs espèrent qu'elle bénéficiera aux études futures dans le développement de meilleures méthodes pour résoudre les tâches complexes de manipulation des fluides. "Les humains interagissent avec les fluides dans les tâches quotidiennes, y compris verser et mélanger des liquides (café, yaourts, soupes, pâte), laver et nettoyer avec de l'eau, et plus encore", explique Ming Lin, professeur d'informatique à l'Université du Maryland, qui n'a pas participé aux travaux. "Pour que les robots assistent les humains et servent dans des capacités similaires pour les tâches quotidiennes, de nouvelles techniques d'interaction et de manipulation de divers liquides de propriétés différentes (par exemple, la viscosité et la densité des matériaux) seraient nécessaires et restent un défi informatique majeur pour les systèmes autonomes en temps réel. Ce travail introduit le premier moteur physique complet, FluidLab, pour permettre la modélisation de divers fluides complexes et leur couplage avec d'autres objets et systèmes dynamiques dans l'environnement. une couche réseau dans les algorithmes basés sur l'apprentissage et les architectures de réseaux neuronaux pour que les systèmes intelligents fonctionnent dans des applications du monde réel."

Gan et Xian ont rédigé l'article aux côtés de Hsiao-Yu Tung, postdoctorant au département des sciences cérébrales et cognitives du MIT ; Antonio Torralba, professeur de génie électrique et d'informatique au MIT et chercheur principal du CSAIL ; Bo Zhu, professeur adjoint au Dartmouth College, Zhenjia Xu, étudiante au doctorat à l'Université de Columbia, et Katerina Fragkiadaki, professeure adjointe au CMU. Les recherches de l'équipe sont soutenues par le MIT-IBM Watson AI Lab, Sony AI, un DARPA Young Investigator Award, un NSF CAREER Award, un AFOSR Young Investigator Award, DARPA Machine Common Sense et la National Science Foundation.

La recherche a été présentée à la Conférence internationale sur les représentations d'apprentissage plus tôt ce mois-ci.

Article précédent Article suivant