Peneliti Universitas Berkeley Kembangkan Teknologi Berbasis AI untuk Mempercepat Proses Pemrograman dan Pelatihan Robot

·oleh Henderson·Engineering
Peneliti Universitas Berkeley Kembangkan Teknologi Berbasis AI untuk Mempercepat Proses Pemrograman dan Pelatihan Robot
Poin Penting
  • Teknologi AI yang dikembangkan oleh Universitas Berkeley dapat mempercepat proses pemrograman dan pelatihan robot.
  • Teknologi robot agen menggabungkan beberapa agen AI untuk menghasilkan program kontrol, meningkatkan kinerja robot.
  • Teknologi ini mengurangi kebutuhan akan data pelatihan yang besar dan rekayasa manual.
  • Aplikasi awal berfokus pada lingkungan industri, menunjukkan peningkatan signifikan dalam kemampuan penyortiran paket.

Peneliti di University of California, Berkeley, telah mengembangkan teknologi berbasis kecerdasan buatan yang dapat secara signifikan mempercepat pemrograman dan pelatihan robot untuk menghadapi tugas-tugas di dunia nyata. Metode yang dikenal sebagai "teknologi robot agen" ini memanfaatkan beberapa agen AI untuk menghasilkan program kontrol robot, mengujinya dalam lingkungan simulasi, dan terus menyempurnakan kinerjanya. Teknologi ini dapat mengurangi kebutuhan akan data pelatihan yang besar dan rekayasa manual, yang selama ini menjadi tantangan utama dalam pengembangan robot yang kuat. Uji coba awal telah menunjukkan perbaikan dalam kinerja tugas robot, menandakan potensi aplikasinya dalam otomatisasi industri dan operasi gudang.

Keunggulan Teknologi Robot Agen

Metode pemrograman robot baru ini menggabungkan kecerdasan buatan agen, simulasi berbasis fisika, dan sistem kontrol modular, membantu robot meningkatkan kinerjanya tanpa bergantung pada kumpulan data pelatihan yang besar. Teknologi robot agen memungkinkan beberapa agen AI untuk menghasilkan program kontrol robot, mengujinya dalam lingkungan simulasi, mengidentifikasi kegagalan, dan merevisi kode sebelum diterapkan pada robot fisik. Teknologi ini dapat mengatasi dua tantangan jangka panjang dalam teknologi robotik: rekayasa luas yang diperlukan untuk memprogram perilaku robot, dan kebutuhan akan data dunia nyata yang besar untuk pembelajaran melalui tiruan.

Tim peneliti telah merilis standar industri untuk mengevaluasi kinerja robot dalam tugas industri. Secara tradisional, para ahli robotik mengandalkan dua pendekatan yang luas. Teknologi robot berbasis model memerlukan insinyur untuk memprogram secara manual bagaimana robot merasakan objek, merencanakan tindakan, dan mengontrol perilaku, sementara teknologi robot tanpa model menggunakan demonstrasi dan pembelajaran tiruan untuk mengajarkan robot melakukan tugas. Pendekatan pertama memerlukan upaya rekayasa yang besar, sedangkan yang kedua memerlukan kumpulan data yang besar dan waktu pelatihan yang lama. Teknologi robot agen bertujuan untuk menggabungkan keunggulan dari kedua pendekatan ini sambil mengurangi keterbatasannya.

Metode ini menggunakan kerangka kerja yang disebut "Graf sebagai Strategi," yang memecah tugas robot yang kompleks menjadi keterampilan kecil yang dapat digunakan kembali, termasuk mengidentifikasi objek, merencanakan tindakan pengambilan, dan menggerakkan tangan robot tanpa menabrak objek di sekitarnya. Agen AI menghubungkan keterampilan-keterampilan ini untuk membangun program kontrol robot yang lengkap. Dengan memanfaatkan kerangka simulasi Isaac dari NVIDIA, para peneliti menguji program-program ini dalam berbagai kondisi, mengidentifikasi masalah, dan secara berulang mengubah kode untuk meningkatkan kinerja. Ini memungkinkan robot untuk menjalani beberapa putaran pengujian virtual sebelum insinyur menerapkan program akhir ke robot fisik.

Salah satu demonstrasi melibatkan robot yang menggunakan spons untuk menghapus tinta dari batang logam. Para peneliti memberikan video pendek kepada sistem AI dan membiarkannya mengakses antarmuka simulasi. Dalam waktu satu jam, sistem tersebut menghasilkan dan menyesuaikan simulasi fisik yang mereproduksi tugas tersebut, termasuk deformasi spons yang realistis. Kemudian, AI menggunakan simulasi tersebut dan kerangka "Graf sebagai Strategi" untuk menghasilkan program kontrol robot. Ia secara berulang menguji dan menyempurnakan kode, sebelum mentransfernya ke robot fisik. Dalam satu percobaan, robot tersebut menjatuhkan batang logam karena tidak mempertimbangkan berat objek dengan akurat.

Sistem ini menggunakan video kegagalan tersebut untuk memperbarui simulasi, merevisi program kontrol, dan menguji metode baru. Proses umpan balik ini memungkinkan agen AI untuk memanfaatkan kegagalan dalam percobaan fisik untuk meningkatkan simulasi dan menyempurnakan upaya berikutnya, sehingga berpotensi mengurangi beban kerja rekayasa manual.

Aplikasi Teknologi dalam Logistik Industri

Teknologi ini juga telah diuji dalam logistik industri. Sebuah perusahaan robot gudang menerapkan metode ini untuk penyortiran paket, menganalisis data produksi, dan menguji pembaruan perilaku robot. Laporan percobaan menunjukkan bahwa kemampuan penyortiran setiap robot meningkat lebih dari 15.000 paket per tahun. Perusahaan tersebut telah menerapkan perbaikan ini pada 30% armada mereka di Amerika Serikat. Para peneliti juga merilis kode sumber terbuka yang dibangun berdasarkan kerangka simulasi Isaac dari NVIDIA, serta menyediakan standar industri untuk mengevaluasi kinerja robot dalam berbagai tugas.

Aplikasi awal berfokus pada lingkungan industri, di mana operasi berulang memberikan kesempatan untuk menguji dan menyempurnakan perilaku robot.

Metode ini pada akhirnya dapat membuat sistem robot lebih mudah beradaptasi dengan kebutuhan yang terus berubah, tanpa perlu memprogram setiap tindakan secara manual atau mengumpulkan banyak data demonstrasi untuk setiap tugas baru. Namun, ini tidak berarti bahwa robot dapat secara mandiri menguasai aktivitas dunia nyata yang beragam. Potensi langsungnya terletak pada mempercepat pemrograman, pengujian, dan perbaikan robot, terutama dalam lingkungan industri yang terstruktur.

Bagaimana Teknologi AI Mengubah Cara Pemrograman Robot

Teknologi robot agen yang baru dikembangkan menunjukkan potensi kecerdasan buatan dalam pemrograman robot, terutama dalam mengurangi ketergantungan pada metode tradisional. Dengan menggabungkan simulasi dan kontrol modular, teknologi ini tidak hanya dapat meningkatkan kinerja robot, tetapi juga dengan cepat beradaptasi dengan kebutuhan yang berubah dalam lingkungan industri. Ini memiliki arti penting untuk meningkatkan efisiensi produksi dan mengurangi biaya, terutama dalam skenario yang memerlukan banyak operasi berulang. Seiring perkembangan teknologi lebih lanjut, kemungkinan akan muncul lebih banyak solusi otomatisasi yang mendorong kemajuan otomatisasi industri.

H
Tentang penulis
Henderson