- 週間ランキング
また部屋が暗くして映画を見ているときなども、テレビのリモコンをつかんで操作することは簡単にできるはずです。
このように、人間は視覚に頼らずとも、触覚だけで器用に物体を扱うことができます。
これはロボットが持たないハイレベルな技術です。
アメリカ・コロンビア大学(Columbia University)コンピュータサイエンス学部に所属するガガン・カンデイト氏ら研究チームは、視覚に頼らず指だけで物体を器用に操るロボットハンドを開発しました。
このロボットハンドは暗闇の中、5本の指だけで物体を空中で保持し、動かせます。
研究の詳細は、2023年3月11日付でプレプリントサーバ『arXiv』で発表されており、2023年7月に開かれるロボット工学の国際会議「Robotics: Science and Systems 2023」で扱われる予定です。
目次
ChatGPTがそうであるように、近年のAI技術は大きな進歩を見せています。
人間が指示するだけでプログラムコードさえも書けてしまうため、様々な指示に即座に対応する自律型ロボットの誕生もそう遠くはないのです。
例えば、人間が「サンドイッチを作って」とお願いすると、ロボット内のAIがサンドイッチの作り方を調査。手順ごとに体を動かすプログラムコードを書き、それを実行に移すのです。
ところが現段階のロボット技術では、AI技術以外の問題が浮上します。
現在のロボットは、「サンドイッチを作る」という指示を実行できるほど器用な手を持っていないのです。
柔らかいパンを重ねたり切ったりするのは難しく、トマトをつぶさずに、しかも床に落とさないよう軽く握るのに苦労するのです。
そのためロボットアームの大きな目標の1つは、人間レベルの器用さを身に着けることであり、将来的には人間のように視覚に頼らない繊細な作業を可能にしたいところです。
カンデイト氏ら研究チームは、この分野に取り組み、ロボットアームの器用さを向上させることに成功しました。
これまでに開発されてきた自律的なロボットアームの多くは、触覚以外に視覚を利用していました。
アームと物体をカメラで撮影し、その視覚情報をロボット操作に役立てていたのです。
今回、彼らが開発したロボットアームは、外部カメラを用いずに、アームの触覚フィードバックだけで繊細な扱いができます。
新しい光学式のロボット指には、LEDライトとフォトダイオード(光検出器として働く半導体のダイオード)が内蔵されています。
内部ではLEDの光をロボット皮膚の内側に当てており、その反射パターンが記録されています。
そして指が物体に当たって皮膚が変形した場合、同じくLEDの反射パターンも変化。
反射パターンは常に記録されているため、「物体が指のどこに触れているか」「どれほど強く触れているか」などの情報が得られるようになっています。
そして運動学習アルゴリズムを様々な触覚パターンで訓練することで、触覚だけでも器用に物体を扱えるロボットアームが完成しました。
ちなみに最新の物理シミュレーションと高度な並列プロセッサを用いたおかげで、現実であれば約1年間かかるトレーニングをたった数時間で終えることができました。
完成したロボットアームは、まるで人間のように繊細な動きと力で物体を保持できます。
従来のロボットアームでも「物体をがっしりとつかんで持ち上げる」「手のひらに置いて静止させる」くらいは行えます。
しかし片方の腕だけでは、物体を空中で動かしたり回転させたりはできません。
一方、新しいロボットアームは、1本の腕、つまり5本の指先だけで物体を保持し、各指を少しずつ動かしながら物体の向きを変えたりアームの中で転がすように回転させたりできます。
まるで人間が無造作にスマホやリモコンをつかんで、そのまま片手で正しいポジションに調整している時のようです。
テストでは、新しいロボットアームが、球体やL字ブロックなどつかみにくい物体を素早くアーム内で動かすことに成功しています。
また外部カメラなどの視覚フィードバックに依存していないので、暗闇でも同様の器用さを保てます。
人間も暗闇で物体をつかんだり操作したりするのが得意であり、この点でもロボットアームは人間に近い性能を手に入れたことになりますね。
さらに人間がそうであるように、触覚だけでも器用なこのロボットアームは、外部カメラで得た視覚情報を追加することで、より高度で繊細な物体の扱いが可能になると考えられます。
ここまで器用なのであれば、2本のロボットアームがサンドイッチを作るのもそう遠くはないでしょう。
ロボットの脳は現在急速に進化していますが、それに負けじと、ロボットの手や指も急速に進化しているのです。
参考文献
Highly dexterous robot hand can operate in the dark —just like us元論文
Sampling-based Exploration for Reinforcement Learning of Dexterous Manipulation