EPFL

La Kinematic Intelligence potrebbe cambiare radicalmente il modo in cui i robot imparano e trasferiscono le proprie competenze da una macchina all'altra. Un gruppo di ricercatori dell'École Polytechnique Fédérale de Lausanne (EPFL), in Svizzera, ha sviluppato un framework che promette di rendere il passaggio da un braccio robotico a un altro semplice quasi quanto cambiare smartphone. Quando si passa da un telefono a un altro, basta accedere ai propri account e tutto si sincronizza: app, contatti, preferenze. Nel mondo della robotica, invece, sostituire un modello con uno più recente ha sempre significato ricominciare da zero. Fino ad oggi, almeno. Come funziona la Kinematic Intelligence e perché serve Da anni chi lavora nella robotica cerca di insegnare ai robot nuove abilità attraverso la dimostrazione: si guida fisicamente o da remoto il braccio meccanico per mostrargli un compito, come pulire un tavolo, impilare scatole o saldare un componente. Il problema è che queste competenze restano legate al robot specifico su cui è avvenuto l'addestramento. Se un nuovo robot ha link leggermente più lunghi, giunti orientati diversamente o una configurazione più complessa, il comportamento appreso si rompe. Il robot potrebbe agitarsi in modo scomposto, bloccarsi o addirittura schiantarsi. La questione diventa ancora più critica quando entra in gioco il concetto di singolarità. In robotica, una singolarità è una sorta di zona di pericolo matematico. Una configurazione fisica in cui i giunti del robot si allineano in modo tale da fargli perdere temporaneamente un grado di libertà. Per capirci, è un po' come quando si bloccano i gomiti estendendoli completamente mentre si spinge qualcosa di pesante. Per un istante le braccia non riescono a muoversi lateralmente. Se l'algoritmo di un robot segue ciecamente un percorso e finisce in una singolarità, la matematica che controlla i giunti collassa. Il robot potrebbe tentare di ruotare un giunto a velocità infinita, provocando un movimento improvviso e pericoloso. Il team dell'EPFL, guidato da Sthithpragya Gupta e Durgesh Haribhau Salunkhe, ha risolto il problema dando ai robot una consapevolezza matematica profonda dei propri limiti fisici. E, cosa che di questi tempi fa quasi notizia, la Kinematic Intelligence è stata costruita senza ricorrere all'intelligenza artificiale. Il motivo è preciso. Gli approcci basati su IA hanno una natura probabilistica, una sorta di scatola nera che può generare comportamenti incoerenti e potenzialmente catastrofici. Il team voleva certezze, non probabilità. Dalla teoria alla catena di montaggio Invece di correggere i vincoli meccanici dopo l'addestramento, i ricercatori hanno incorporato questi vincoli direttamente nella politica di controllo fin dall'inizio. Si sono concentrati sui robot a tre giunti revoluti, che rappresentano i mattoni fondamentali di molti robot commerciali. Attraverso un'analisi algebrica dei parametri dei robot (lunghezza dei link, offset dei giunti), hanno mappato con precisione dove si trovano le singolarità nello spazio articolare. Queste singolarità, combinate con i limiti fisici dei giunti, suddividono lo spazio di movimento possibile in regioni praticabili chiamate "aspetti". Il risultato è una classificazione dei robot a tre giunti revoluti in sei categorie. Sapendo a quale categoria appartiene un robot, si conosce immediatamente la struttura completa dei suoi limiti fisici. Per la fase sperimentale, il team ha messo alla prova il framework su tre macchine diverse: un compatto Duatic DynaArm a 6 gradi di libertà con limiti articolari stretti, un KUKA LWR IIWA 7 a 7 gradi di libertà con limiti moderati, e un Neura Robotics Maira M a 7 gradi di libertà con margini molto più ampi. I ricercatori hanno costruito una linea di assemblaggio simulata in cui i tre bracci cooperavano per completare una sequenza di compiti. Un operatore umano ha eseguito una sola dimostrazione di tre abilità in sequenza: spingere un oggetto da un nastro trasportatore, raccoglierlo e posarlo su un banco di lavoro, poi riprenderlo e lanciarlo in un cesto. Ogni robot ha eseguito uno di questi compiti. E quando il team ha scambiato le posizioni e i ruoli dei robot senza alcun riaddestramento, tutto ha continuato a funzionare in ogni configurazione possibile. Cosa manca ancora prima dell'uso industriale Il framework garantisce un movimento meccanicamente sicuro, ma al momento manca di percezione ambientale avanzata e della capacità decisionale sensibile al contesto necessaria per ambienti imprevedibili. Il sistema gestisce perfettamente i vincoli fisici interni del robot, come singolarità e limiti articolari, ma non è ancora in grado di comprendere le sfumature degli oggetti con cui interagisce. Non distingue, per esempio, tra un contenitore pieno, che richiede movimenti lenti e cauti, e uno vuoto, che può essere spostato rapidamente. Serve anche l'integrazione di controlli di sicurezza cognitivi di alto livello: il buon senso, come sapere che non bisogna afferrare un coltello quando viene chiesto di preparare un caffè. Un altro ostacolo riguarda proprio la transizione dal laboratorio alla fabbrica. Servono sensori in grado di far navigare i robot in spazi dinamici dove gli esseri umani si muovono in modo costante e imprevedibile. E se il framework software è già stato validato su robot industriali attuali, il suo impiego in settori più delicati come la medicina è al momento frenato dai limiti dell'hardware. Secondo Salunkhe, nei prossimi cinque anni dovrebbero arrivare robot meccanicamente più sicuri che renderanno possibile questo passaggio, e il framework della Kinematic Intelligence potrà essere immediatamente trasferito a quei nuovi design.

EPFL

Kinematic Intelligence: i robot ora “copiano” le skill come uno smartphone