Захват, вивчений на синтетичних даних
Dex-Net 2.0 навчили на 6,7 мільйона синтетичних хмар точок, згенерованих із тривимірних моделей, без жодної спроби на справжньому роботі — і політика дала 99% точності на сорока небачених побутових предметах.
Чому це важливо
Виявилося, що дані для захвату взагалі не обов’язково збирати роботами: їх може породити фізика й геометрія, а політика все одно переноситься на залізо й на нові предмети. Це відв’язало поступ у захваті від вартості роботогодин.
Джеффрі Малер із колегами в Берклі, з Хуаном Апарісіо Охеа від ABB і Кеном Голдбергом, навчили згорткову мережу оцінювання якості захвату на синтетичному наборі з 6,7 мільйона хмар точок, захватів і аналітичних метрик, згенерованих із тисяч тривимірних моделей. Жодних даних зі справжнього робота в навчанні не було. Отриману політику перевірили на ABB YuMi більш ніж у 1000 фізичних випробувань. На восьми відомих предметах вона дала 93% успіху. На наборі з 40 небачених побутових предметів — 99% точності: один хибний спрацьовк на 69 захватів, визнаних надійними. Це протилежний підхід до того, яким ішли з фермою рук: там ту саму задачу брали кількістю справжніх спроб, тут — симуляцією.