Robotik Dexterous Kavrama: İnsan Benzeri Manipülasyon Yeteneği
Robotik dexterous kavrama, robotların nesnelerle etkileşim kurabilmesi ve onları insan gibi manevra edebilmesi için kritik bir araştırma ve geliştirme alanıdır. Robotların ince motor becerileri gerektiren karmaşık görevleri yerine getirebilmeleri, verimlilik ve üretkenliği önemli ölçüde artırabilir.
Veri Doğrulama Zorlukları ve Çözüm Yolu
Robotların insan benzeri kavrama yeteneklerini geliştirmek için ilk adım, robotik dexterous kavramadır. Ancak, insan tarafından yapılan veri etiketlemeleri, milyonlarca kavrama ölçeğinde pratik olmadığından, bu alandaki veri doğrulama büyük bir zorluk oluşturmuştur. Geniş ölçekli veri setlerinin olmaması nedeniyle, robotik dexterous kavrama alanı, paralel kavrama araçları ile nispeten daha az keşfedilmiştir.
NVIDIA Isaac Sim kullanarak, robotik şirket Galbot bu zorluğu başardı. Çok sayıda kavramayı doğrulayarak, her türlü dexterous robotik el için uygulanabilir bir simüle edilmiş veri seti olan DexGraspNet geliştirdi.
DexGraspNet: Geniş ve Çeşitli Bir Veri Seti
DexGraspNet, 5,355 nesne üzerinde 1.32 milyon ShadowHand kavraması içermektedir. Bu veri seti, önceki Deep Differentiable Grasp veri setinden iki büyüklük sırası daha fazladır. DexGraspNet, 133’ten fazla nesne kategorisini kapsıyor ve her nesne örneği için 200’den fazla çeşitli kavrama içermektedir. Bu, araştırmalar için daha kapsamlı bir örnek sunar.
Veri Çeşitliliği ve Miktarını Dengelemek
Galbot ekibi, sağlam ve çeşitli kavramaları büyük ölçekli olarak sentezlemek için etkin ve güvenilir bir optimizatör kullandı. Bu sayede, kuvvet kapama koşullarını karşılayan ve yüksek kavrama puanlarına sahip kavrama pozlarını buldular. Veri setinde, GraspIt gibi diğer popüler araçlarla mümkün olmayan birçok farklı kavrama türü bulunmaktadır.
Galbot ekibi, farklı veri setleri arasında yapılan deneylerle, DexGraspNet üzerinde eğitim alan çeşitli algoritmaların, önceki veri setinde eğitim alan algoritmalara göre önemli ölçüde daha iyi performans gösterdiğini kanıtladı.
Genelleşmiş Dexterous Kavrama Yetkinlikleri Geliştirmek
Galbot araştırma ekibi, gerçek nokta bulut gözlemlerinden ve proprioseptif verilerden nesne bağımsız genel stratejilerin öğrenilmesi için UniDexGrasp++ adında yenilikçi bir yaklaşım önerdi.
Bu yöntemi kullanarak, 3,000’den fazla nesne örneği için genel bir kavrama politikası geliştirilmesi sağlandı. Başarı oranları, eğitim setinde %85.4 ve test setlerinde %78.2 olarak belirlendi. Bu, mevcut en iyi yöntem olan UniDexGrasp’a göre sırasıyla %11.7 ve %11.3’lük bir artış sağladı.
Dexterous Kavrama Modellerini Ölçeklendirmek
Galbot’un son çalışması olan DexGraspNet 2.0, karmaşık sahnelerde dexterous kavrama yeteneği sunmaktadır. Ekip, gerçek dünyada %90.70 başarı oranıyla sıfırdan simülasyondan gerçeğe aktarım gösterdi. DexGraspNet 2.0, gerçeğe yönelik kavrama deneyleri için bir UR-5 robot koluna monte edilen LEAP el ile değerlendirildi ve gripper görevleri için Franka Panda kolu kullanıldı.
Galbot ekibi, robot öğrenimini basitleştirmek için NVIDIA Isaac Lab ile birlikte Isaac Sim’de dexterous el kavrama modelleri için bir simülasyon test ortamı geliştirdi. Bu ortam, geliştiricilerin dexterous el kavrama modellerinin keşfini ve ölçeklendirilmesini hızlandırmalarına yardımcı olmakta ve gerçek dünya kullanım durumlarına daha hızlı bir şekilde uyum sağlamalarına olanak tanımaktadır.
Özet
NVIDIA Isaac Sim kullanarak Galbot, 5,355 nesne üzerinde 1.32 milyon ShadowHand kavramasından oluşan geniş ve çeşitlilik içeren bir veri seti olan DexGraspNet’i geliştirdi. Bu veri seti, dexterous kavrama sentezinde algoritmaları eğitmek için oldukça etkili olduğu kanıtlandı ve önceki veri setleriyle yapılan karşılaştırmalarda önemli ölçüde daha iyi performans gösterdi. Bu çalışma, robotların ince motor becerileri gerektiren karmaşık görevleri daha iyi yerine getirebilmesine olanak tanır.
DexGraspNet koduna ulaşmak isterseniz, PKU-EPIC/DexGraspNet GitHub reposunu ziyaret edebilirsiniz. Ekip tarafından kullanılan veri setini inceleyebilir ve daha fazla bilgi almak için DexGraspNet: Genel Nesneler İçin Büyük Ölçekli Bir Robotik Dexterous Kavrama Veri Seti makalesine göz atabilirsiniz.
Robot öğrenimi ve simülasyonundaki en son gelişmeleri görmek için 13 Kasım’ bıraktaki etkinlik yayınına katılmayı unutmayın ve NVIDIA Isaac Lab Ofis Saatleri etkinliğinde uygulamalı destek ve içgörüler için yer alın.
