بسیاری از فرآیندهای صنعتی و کارهای خانگی که در حال حاضر توسط انسان انجام میشوند، شامل دستکاری پارچهها، از جمله لباسها، ملحفهها، حولهها، پارچهها و سایر اشیاء مبتنی بر پارچه است. اکثر سیستمهای رباتیکی که تاکنون توسعه یافتهاند، به دلیل چالشهای مرتبط با پیشبینی نحوه تغییر شکل این اشیاء هنگام گرفتن و دست زدن، به طور قابل اعتمادی انواع پارچهها را دستکاری نمیکنند.
محققان موسسه رباتیک و انفورماتیک صنعتی (CSIC-UPC) و دانشگاه پلیتکنیک کاتالونیا، مجموعه داده جدیدی را گردآوری کردهاند که میتواند برای آموزش الگوریتمهای رباتیک برای پیشبینی تغییر شکل پارچهها و طراحی استراتژیهای موثر برای دستکاری آنها استفاده شود.
این مجموعه داده، که در مقاله منتشر شده در مجله بینالمللی تحقیقات رباتیک ارائه شده است، با استفاده از یک سیستم ضبط حرکت (MoCap) جمعآوری شده است که نور مادون قرمز را از نشانگرهای قرار داده شده روی پارچههای مختلف دریافت و ردیابی میکند.
فرانکو کولترارو، نویسنده اول این مقاله، به تکسپلور گفت: «دستکاری خودکار پارچه توسط رباتها یک کاربرد بالقوه است که میتواند تأثیر عمیقی بر جامعه و صنعت بگذارد.»
«امروزه، در خانه و تقریباً در هر کسبوکاری که پارچه در آن اهمیت دارد، پارچهها به صورت دستی توسط انسان دستکاری میشوند. به فکر تا کردن پارچه در فروشگاهها، مرتب کردن تختها در هتلها، رسیدگی به مرجوعی لباسهای ناشی از خرید آنلاین باشید: همه چیز توسط انسان انجام میشود.»
«دلیلش ساده است: دستکاری خودکار پارچه بسیار دشوار است، زیرا پارچه بسیار آزادانه تغییر شکل میدهد، با خودش برخورد میکند و به روشی بسیار پیچیده با هوا تعامل میکند. بنابراین، برای فعال کردن دستکاری خودکار پارچه، باید بیشماری از مسائل ریاضی و مهندسی حل شوند.»
در سالهای اخیر، برخی از محققان تلاش کردهاند تا با استفاده از هوش مصنوعی (AI) بر چالشهای مرتبط با دستکاری رباتیک پارچه غلبه کنند. با این حال، برای عملکرد خوب، اکثر مدلهای مبتنی بر هوش مصنوعی و یادگیری ماشین نیاز به آموزش بر روی مقادیر زیادی داده دارند.
جمعآوری مقدار زیادی داده که تغییر شکل پارچههای مختلف را نشان میدهد، میتواند بسیار پرهزینه و زمانبر باشد. بنابراین، تاکنون، بسیاری از متخصصان رباتیک به جای آن از به اصطلاح شبیهسازهای پارچه استفاده کردهاند، سیستمهایی که برای شبیهسازی پارچههای ساخته شده از مواد مختلف طراحی شدهاند.
کولترارو گفت: «شبیهسازهای پارچه مختلف زیادی وجود دارد (که بیشتر آنها از صنعت بازیهای ویدیویی و انیمیشن میآیند).»
«حتی من یکی را توسعه دادهام. مسئله این است که بیشتر شبیهسازهای پارچه برای استفاده در رباتیک طراحی نشدهاند، بلکه برای استفاده در فیلمها و بازیهای ویدیویی طراحی شدهاند. از این رو، اکثر آنها چندان واقعبینانه نیستند. تعداد کمی از شبیهسازهای پارچه که واقعبینانه هستند (به عنوان مثال، شبیهساز من، اگر اجازه دهید این را بگویم) پارامترهایی دارند که باید تنظیم یا تخمین زده شوند تا با رفتار لباسهای واقعی مطابقت داشته باشند.»
هدف اصلی مطالعه اخیر کولترارو و همکارانش، گردآوری مجموعه داده با کیفیت بالا جدیدی بود که میتواند به بهبود دادههای تولید شده توسط شبیهسازهای پارچه کمک کند. برای انجام این کار، آنها 120 ضبط را با استفاده از سیستم MoCap جمعآوری کردند که حرکات پارچههای مختلف را نشان میدهد.
کولترارو گفت: «ضبطهایی که ما جمعآوری کردیم میتوانند به تنظیم پارامترهای شبیهسازهای پارچه کمک کنند. سپس، از این شبیهسازهای پارچه تنظیم شده میتوان برای تولید مقادیر زیادی داده به صورت ارزان استفاده کرد، که به نوبه خود امکان آموزش مدلهای هوش مصنوعی را فراهم میکند. امید ما این است که در آینده این الگوریتمهای هوش مصنوعی ممکن است مشکل دستکاری رباتیک پارچه را حل کنند.»
سیستم MoCap که محققان برای جمعآوری دادههای خود استفاده کردند، متکی به نشانگرهای ریز و بسیار سبک (یعنی وزن کمتر از 0.013 گرم) است که نور مادون قرمز را منعکس میکنند. این نشانگرهای نوری روی پارچههایی با اندازههای مختلف و از مواد مختلف قرار داده شدند تا تغییر شکل آنها را در طول زمان بدون تأثیر بر حرکاتشان ردیابی کنند.
کولترارو گفت: «ما از تعداد زیادی دوربین برای ردیابی این نشانگرهای بازتابنده استفاده کردیم و از این رو میدانیم که آنها در فضا کجا هستند.»
«مزیت استفاده از MoCap در مقابل سایر رویکردها (یعنی دوربینهای عمق، مانند Xbox Kinect) این است که ضبطها فوقالعاده روان هستند (تقریباً بدون نویز) و میتوان حرکات بسیار متنوعی را ثبت کرد زیرا دوربینها میتوانند صحنه را احاطه کنند (میتوانیم خود انسداد پارچه را به حداقل برسانیم).»
کولترارو و همکارانش لباسهایی با دو اندازه و از چهار ماده مختلف، یعنی پنبه، جین، پشم و پلیاستر را ضبط کردند. این پارچهها با سرعتهای مختلف ضبط شدند تا نشان دهند که وقتی به طور متفاوتی دستکاری میشوند، چگونه تغییر شکل میدهند.
هنگامی که دادههای MoCap ضبط میشد، پارچهها به روشهای خاصی دستکاری میشدند که منعکس کننده سناریوهای دنیای واقعی بود. به عنوان مثال، محققان آنها را تکان دادند، پیچاندند، روی اجسام اصطکاکی مالیدند، با یک ابزار صلب بلند به آنها ضربه زدند و حتی آنها را به یکدیگر زدند.
کولترارو گفت: «یکی از مهمترین و غیرمنتظرهترین یافتههای این مطالعه این بود که حتی با همان پارچه و همان حرکت، چقدر تنوع در حرکت پارچه وجود دارد.»
«ما نمونه پلیاستر DIN A3 را برداشتیم و چندین بار همان حرکت را با یک ربات و پارچه اجرا کردیم. حرکت این بود که پارچه را به صورت پویا روی یک میز قرار دهیم. انتظار دارید که حالت نهایی پارچه هر بار یکسان باشد، درست است؟ اشتباه است.»
«حتی با یک ربات (که دقیقاً همان مسیر را بدون خطا اجرا کرد)، ما در حالت نهایی تنوع پیدا کردیم (نه خیلی زیاد، اما کمی). من فکر میکنم این به نظریه آشوب مربوط است و ممکن است چالش دیگری برای دستکاری پارچه باشد.»
مجموعه داده جدید ایجاد شده توسط کولترارو و همکارانش به زودی میتواند برای تنظیم شبیهسازهای پارچه استفاده شود و کیفیت شبیهسازیهایی که تولید میکنند را بهبود بخشد. این میتواند منجر به تولید مجموعههای داده جدید حاوی تغییر شکلها و حرکات پارچه واقعی اما شبیهسازی شده شود، که به نوبه خود میتواند برای آموزش مدلهای هوش مصنوعی برای دستکاری رباتیک پارچه استفاده شود.
کولترارو افزود: «در مطالعات بعدی خود، قصد دارم از شبیهساز پارچه غیرقابل امتداد خودم برای توسعه الگوریتمهایی برای دستکاری پارچه با رباتها استفاده کنم.»
«من از دادههای این مقاله برای تنظیم شبیهساز خود استفاده خواهم کرد تا آن را با رفتار پارچههای واقعی مطابقت دهم و سپس الگوریتمهای دستکاری را توسعه دهم. مسائل باز که من در حال بررسی آنها هستم، مدلسازی آیرودینامیک پارچهها و مطالعه ریاضی حالتهای تغییر شکل احتمالی است که پارچه میتواند ارائه دهد و نحوه حرکت در بین آنها.»
اطلاعات بیشتر:
فرانکو کولترارو و همکاران، ردیابی تغییر شکل پارچه: یک مجموعه داده جدید برای بستن شکاف sim-to-real برای یادگیری دستکاری رباتیک پارچه، مجله بینالمللی تحقیقات رباتیک (2025). DOI: 10.1177/02783649251317617
اطلاعات مجله: مجله بینالمللی تحقیقات رباتیک