Aún no.
La manipulación robótica sigue siendo un problema abierto. Los investigadores han estado trabajando en ello durante décadas, y hasta ahora solo han podido diseñar sistemas muy especializados que funcionan solo en una configuración muy específica, e incluso allí carecen severamente de robustez. Puede ver el trabajo de Siddhartha Srinivasa para tener una idea de los esfuerzos más fundamentales o Michael Beetz para los esfuerzos a nivel de sistema (búsquelos en Google Scholar).
También debe consultar el reciente Amazon Picking Challenge, donde participaron muchos grupos de investigación líderes que trabajan en problemas relevantes.
- Quiero hacer una IA simple (inteligencia artificial), entonces, ¿qué lenguaje de programación debo aprender para hacer una IA simple?
- ¿Cuáles son algunos ejemplos de inteligencia artificial que no son Machine Learning?
- ¿Cómo se pueden aprender las características del corpus en bruto mediante el aprendizaje automático / aprendizaje profundo?
- Inteligencia artificial: ¿Qué tan difícil sería crear una criatura robot de la vida real con la IA y la capacidad de entrenamiento de la criatura Blanco y Negro?
- ¿El desarrollo avanzado de la IA eventualmente se convertirá en una amenaza contra la raza humana?
Picking Challenge
Un amigo mío participaba como parte del equipo de Sven Behnke, y también debería consultar los documentos del profesor Behnke en los últimos años.
Por lo que entiendo, el principal desafío en la manipulación de robots no tiene mucho que ver con la detección de objetos o incluso comprender la planificación, sino más bien la estimación del estado. Por lo tanto, si mira los videos (en YouTube) del reciente DARPA Robotics Challenge, que involucraba robots teleoperados, notará lo mal que incluso a los robots teleoperados les va en un “desafío” que habría sido sencillo para los humanos . La razón fue en gran medida estimaciones pobres del propio estado del robot, como varios ángulos y ubicaciones de juntas, bajo mediciones inciertas del sensor.
Un enfoque prometedor es el aprendizaje profundo para el servo y la manipulación visual, como en los esfuerzos recientes de Google. El problema con el enfoque es la necesidad de grandes cantidades de datos de entrenamiento, que Google resuelve al comisionar a un ejército de robots perpetuamente involucrados en la manipulación mediante prueba y error.
Aprendizaje profundo para robots: aprender de la interacción a gran escala
Alternativamente, uno podría pensar en enfoques basados en simulación para generar dichos datos de capacitación. El problema clave es que es difícil modelar contactos físicos precisamente en la simulación.
http://www.zeeshanzia.com/pdf_files/proposal_NTNU.pdf
Diseñar un sistema robusto que pueda planchar la ropa de manera completamente autónoma (incluida la recolección de la tela de una pila) es simplemente imposible con la tecnología actual, aunque hay trabajos de investigación que han intentado incluso eso * Incluso elegir y usar herramientas rígidas, como una máquina de perforación, no están resueltos, como notará en el video de DRC.
* Mira el trabajo de Bruno Siciliano alrededor de 2014 para ver un ejemplo.
Aquí hay un video de un sistema completo del grupo de Michael Beetz, en el que desempeñé un papel secundario como estudiante de maestría en el laboratorio. Observe cuán torpe y lentamente se comportan los robots. Esto es de 2010, pero el estado del arte no ha avanzado mucho desde entonces.