Neuraal netwerk leert bin picking

Een van de grootste uitdagingen voor robots is random bin picking, waarbij het de bedoeling is om objecten te grijpen die bijvoorbeeld willekeurig gestapeld liggen in een bak of doos. Het Japanse bedrijf Preferred Networks is erin geslaagd om met een neuraal netwerk een zelflerend systeem te ontwikkelen voor deze toepassing.

In de video bij dit artikel is een demonstratie te zien waarbij de robot met een zuignapje staafjes moet picken die willekeurig gestapeld liggen in een bak.

De klassieke manier om dit op te lossen maakt gebruik van een visiesysteem met camera of laser en een software voor patroonherkenning. Er wordt dan een algoritme geschreven waarmee het systeem kan nagaan welke objecten vrij liggen en waar die gegrepen moeten worden.

Bij deep learning, zoals het werken met een neuraal netwerk genoemd wordt, maakt men geen gebruik van een algoritme maar laat men het systeem via duizenden iteraties zelf ontdekken hoe het een object kan opnemen.

Bij aanvang van de test werkt de robot eerder ad random en slaagt hij er met moeite in om een component te grijpen. Maar al doende leert men en na 8 uur is het systeem al in staat om de robot zodanig aan te sturen dat hij er in 90% van de pogingen in slaagt om een object te grijpen.

Het principe is relatief eenvoudig. Bij elke poging om een object te grijpen krijgt het systeem feedback over of het wel of niet gelukt is. In functie daarvan past het systeem zijn eigen parameters aan – die de output van de nodes in het netwerk bepalen en het gewicht dat aan elke node gegeven wordt – tot er een algoritme ontstaat met een maximale kans op succes.

Door te visualiseren welke punten het systeem beschouwt als kanshebber, kan de logica achterhaald worden die in het neuraal netwerk wordt opgebouwd. Ongeveer halfweg de video wordt dit getoond. Het systeem leert al vrij snel dat het niet op de randen van objecten moet proberen te grijpen. Met de tijd zal het ook steeds vaker geprobeerd hebben om de staafjes op de kop te grijpen en geleerd hebben dat dit, indien mogelijk, heel succesvol is.

Wat er verder in het hoofd van het neuraal netwerk omgaat, blijft voor iedereen een mysterie. Dat gebrek aan determinisme is een hinderpaal voor gebruik in industriële toepassingen omdat het vragen oproept rond betrouwbaarheid en eventueel veiligheid. Toch worden er steeds meer van dit soort demonstraties gedaan die aantonen wat deep learning vermag. Dat we dit soort toepassingen ook echt in de industrie toegepast zien, is allicht niet meer veraf.

© Productivity.be, 21/01/2019