(Deep learning helps robots grasp and move objects with ease)
2020/11/18 ｱﾒﾘｶ合衆国・カリフォルニア大学バークレー校(UCB)
・ UCB が、ウェアハウス(倉庫）で働く人間のサポートを目的とし、オブジェクトを把持してよりスムーズに移動させる敏捷性とスキルをロボットに付与する、ニューラルネットワーク(NN)とモーションプランニングソフトウェアを組み合わせた新しいソフトウェアを開発。
・ 都市封鎖(ロックダウン）を含む COVID-19 への安全対策の実施により、オンラインショッピングの利用頻度が増加しているが、小売業者は高まる需要への対応とウェアハウスの労働者の安全性の確保に奮闘している。
・ 多様なオブジェクトのピックアップ場所や方法を決定し、それに合わせた身体各部の動きを調整するといった、人間にとって自然な動作をロボットに再現させることは困難なことから、ウェアハウス業務の自動化には課題が多い。また、ロボットの挙動は滑らかさに欠け、商品とロボット自体の損傷リスクが増加する。
・ UCB が過去に開発した Grasp-Optimized Motion Planner ソフトウェアでは、ロボットによるオブジェクトのピックアップ方法と、ある場所から別の場所へのオブジェクトの移動方法の両方の計算が可能だが、、ロボットの動きはぎこちなく、より滑らかな動きの計算には平均して 30 秒間を要した。
・ 同 Motion Planner に NN による深層学習を統合した新ソフトウェアでは、平均計算時間が 29 秒から80 ミリ秒に飛躍的に短縮。NN でロボットが実例から学習した後、学習したものに近いオブジェクトや挙動を推論する。モーションプランナーを通じた最適化により、精度を向上させた。
・ 新ソフトウェアと高度なロボティック技術を組み合わせれば、数年後にはウェアハウス環境でロボットが人間のサポート役として働けるようになると考える。
・ 本研究は 、米国立科学財団 (NSF) に よ る National Robotic Initiative アワ ー ドの Scalable
Collaborative Human-Robot Learning (SCHooL)および Google と Toyota Research Institute Inc からの
助成により一部支援された。.
URL: https://news.berkeley.edu/2020/11/18/deep-learning-helps-robots-grasp-and-moveobjects-with-ease/
＜NEDO海外技術情報より＞
（関連情報)
Science Robotics 掲載論文(アブストラクトのみ：全文は有料）
Deep learning can accelerate grasp-optimized motion planning
URL: https://robotics.sciencemag.org/content/5/48/eabd7710
Abstract
Robots for picking in e-commerce warehouses require rapid computing of efficient and smooth robot arm motions between varying configurations. Recent results integrate grasp analysis with arm motion planning to compute optimal smooth arm motions; however, computation times on the order of tens of seconds dominate motion times. Recent advances in deep learning allow neural networks to quickly compute these motions; however, they lack the precision required to produce kinematically and dynamically feasible motions. While infeasible, the network-computed motions approximate the optimized results. The proposed method warm starts the optimization process by using the approximate motions as a starting point from which the optimizing motion planner refines to an optimized and feasible motion with few iterations. In experiments, the proposed deep learning–based warm-started optimizing motion planner reduces compute and motion time when compared to a sampling-based asymptotically optimal motion planner and an optimizing motion planner. When applied to grasp-optimized motion planning, the results suggest that deep learning can reduce the computation time by two orders of magnitude (300×), from 29 s to 80 ms, making it practical for e-commerce warehouse picking.
