Az összetett művelet végrehajtásához csak az elemi műveleteket és az ujjak lehetséges pozícióit, valamint a környezet visszacsatolási funkcióját határozzuk meg előre. Csak azt a specifikációt kapja meg, amire képesnek kell lennie. De azt nem, hogyan kell megoldania a feladatot. A szükséges mozgásstratégiát a megfogó tanulási algoritmusai önállóan fejlesztik ki - minden további programozás nélkül.
Az elméletek szerint mi, emberek csak azért vagyunk ennyire intelligensek, mert a kezünk ennyi minden összetett feladatot képes megoldani. A csecsemők már nagyon korán elkezdik megfogni a tárgyakat - például az anyjuk ujját. Ha már megtanultunk egy tárgyat megfelelően megfogni, megfordíthatjuk, és minden oldalról megnézhetjük. Ez az egyetlen módja annak, hogy a tárgy háromdimenziós képét rekonstruáljuk az elménkben. A kéz tehát minket, embereket is segít a tanulásban.
A gépek tanulási módszerei hasonlóak az emberekéhez: pozitív, vagy negatív visszajelzést kell kapniuk műveleteikről, ahhoz, hogy képesek legyenek azokat osztályozni és tanulni belőlük. A LearningGripper a Reinforcement Learning, vagyis a megerősítéses tanulás módszerét használja. A megfogó nem kap konkrét műveletet, amelyet utánoznia kell. Kizárólag a korábbi műveleteire adott visszajelzések alapján optimalizálja a képességeit. Ez növeli annak valószínűségét, hogy sikeres műveletet hajt végre, és nem ismétli meg a kevésbé sikeres lépést.
A négy ujjat összesen tizenkét, 2,5 és 3,5 bar közötti alacsony nyomású pneumatikus harmonika hajtja meg. Mindegyikük három szabadságfokkal és a mutatóujj alapvető funkcióival rendelkezik. Így a teljes kéznek csak a kiinduló állapotban összesen 3¹² művelet közül kell választania a golyó beigazításához. Az ujjak intelligens koordinációjának és a rugalmas harmonika-szerkezetnek köszönhetően a kinematika szabadon mozgatható és rugalmas. Biztonságosan megfogja, felemeli és elfordítja a legkényesebb tárgyakat is - akárcsak természetes modellje.
A LearningGripper vásári kiállításon egy megfogó azt mutatja be, hogy hogyan tanulja meg gépi úton a mozgásstratégiát egy óra alatt - az első próbálkozástól a kitűzött feladat megbízható megoldásáig. Egy második megfogó már a kívánt célforgatókönyvben mutatja be a megtanult eljárást: felemeli a golyót, és úgy forgatja, hogy a végén a dombornyomott felirat a felső rész közepén látható legyen.
Intézetekkel, egyetemekkel és partnereinkkel együttműködve kutatjuk a biológiai alapelveket, hogy innovatív ötleteket és megoldásokat fejlesszünk ki az automatizálási technológia és a műszaki oktatás területén, amelyek a fő tevékenységi körünket képezik. Tudjon meg többet a Bionic Learning Networkről, vagy fedezzen fel további érdekes témákat a Festo-val kapcsolatban a blogunkon.