HERON-CRA ska ge robotar minne och hjälpa dem rätta misstag

Att vika en strumpa eller göra kaffe kräver mer än att välja rätt rörelse utifrån det roboten ser just nu. Den måste också hålla reda på vad som redan har hänt och kunna ändra sig om något hamnar fel. Det är problemet som Songyan Dynamics vill angripa med Scalabots HERON-CRA, den andra modellen i företagets HERON-serie efter HERON-World Model. Det är en beskrivning av systemets avsedda förmåga, inte ett oberoende bevis för att det fungerar tillförlitligt i nya miljöer. 61415

Minne, korrigering och överföring

Context Expert håller reda på uppgiften. Komponenten kodar tidigare information om föremålens lägen och scenens betydelse som strukturerade delar av ett tidsförlopp. När Scalabot kallar detta ”4D” avses tredimensionell rumsinformation som följs över tid. Tanken är att roboten ska kunna välja nästa handling utifrån uppgiftens historia, inte bara den senaste kamerabilden. 69

RL Engine ska rätta till avvikelser. Enligt beskrivningarna använder den en lättare form av förstärkningsinlärning som lär sig korrigeringar till en grundläggande handlingsmodell, snarare än att ersätta den. En separat värdering av uppgiftens framsteg ska hjälpa modellen att bedöma hur arbetet går. Det är däremot inte klarlagt hur stor del av en eventuell förbättring som just denna komponent står för. 59

Träningen ska kunna användas på olika robotar. Förträning med data från robotar med olika konstruktion är tänkt att göra färdigheter lättare att överföra mellan dem. Dessutom kan verkliga lyckade och misslyckade försök ge startpunkter åt HERON-World Model, som genererar tänkta händelseförlopp för fortsatt träning. Det är en föreslagen inlärningscykel – inte belägg för att de tänkta förloppen konsekvent förutsäger vad som sker med en fysisk robot. 71415

Vad visar resultaten?

Scalabot uppger att andelen lyckade försök att vika strumpor steg från 38,5 till 97,8 procent i företagets test. Det är en stor rapporterad förbättring för just den uppgiften, men underlaget ger inte oberoende kontrollerade uppgifter om antal försök, testvillkor eller jämförelsemetod. Siffran bör därför inte läsas som en generell framgångsgrad för robotarbete. 12

En rapporterad demonstration där roboten gör kaffe visar varför minne kan vara viktigt när en uppgift består av flera steg. Demonstrationer av överföring mellan robotar och reaktioner på störningar visar på samma sätt vad systemet är tänkt att klara. De visar däremot inte hur ofta det lyckas med nya föremål, andra robotkroppar eller oväntade avbrott. 4615

Den öppna frågan är tillförlitligheten. För att avgöra vad HERON-CRA faktiskt tillför behövs jämförbara, oberoende tester som också skiljer effekten av minne, korrigerande förstärkningsinlärning, förträning och tänkta händelseförlopp åt. Tills dess är arkitekturen ett sätt att angripa problemet med långa robotuppgifter, medan den bredare prestandan återstår att belägga. 41415