Čulo dodira omogućava izuzetnu spretnost i pokretljivost celog tela, posebno ekstremiteta čoveka. Ako zamislimo tumaranje u mraku dok tražimo prekidač za paljenje svetla, vađenje sitnica iz džepova ili mnogobrojne aktivnosti koje obavljamo bez razmišljanja, možemo zaključiti da sve ove radnje vršimo upravo zahvaljujući taktilnim senzorima. Ipak, današnji roboti nisu u stanju da idu u korak sa ljudima po pitanju spretnosti, a njihova sposobnost da reaguju na spoljne karakteristike predmeta kojima bi trebalo da manipulišu je veoma ograničena. Zbog svega toga, pre osam godina grupa istraživača sa MIT je stvorila novu tehnologiju, pod nazivom GelSight. Ona omogućava da se pri fizičkom kontaktu sa objektom stvori vrlo detaljna trodimenzionalna mapa spoljne površine tog objekta. Nedavno su dva tima sa MIT povećala osetljivost i spretnost robota, tako što su njihove ,,ruke“ unapredili dodavanjem GelSight senzora.
Jedna grupa istraživača je robotima omogućila da procenjuju čvrstinu predmeta koje dodiruju, što je jedna od značajnijih karakteristika koju bi trebalo da poseduju roboti za kućnu upotrebu. Druga grupa istraživača robote je opremila GelSight senzorima kako bi ih osposobila za manipulaciju mnogo manjim objektima nego što je ranije bilo moguće.
GelSight senzori su vrlo jednostavno rešenje za izuzetno veliki problem sa kojim su se susretali robotičari u ranijim periodima. Senzori se sastoje od providne gume (ili gela, kako upućuje i sam naziv), čija je jedna strana premazana metalik bojom. Kada ta strana bude pritisnuta uz objekat, odmah se prilagođava njegovom obliku. Metalik boja od objekta stvara površinu koja odbija svetlost, pa je na taj način značajno olakšano funkcionisanje kompjuterskog algoritma koji radi na osnovu vizuelnih opažanja. S obzirom na to da sistem poseduje raznobojna svetla pod različitim uglovima, zahvaljujući ovom reflektujućem materijalu, kompjuter lako može da ustanovi o kom je trodimenzionalnom obliku reč. Za autonomnog robota je od velike važnosti, ne samo koliko će čvrsto uhvatiti objekat, već i kako će se objekat ponašati nakon što bude uhvaćen, pomeren ili stavljen na različite površine. Taktilni senzori robotima, takođe, mogu pomoći pri razlikovanju objekata koji su naizgled vrlo slični.
U prethodnim istraživanjima roboti su pokušavali da procene čvrstinu objekata tako što su ih spuštali na ravnu površinu, a zatim ih dodirivali različitim intenzitetom, kako bi uvideli njihovu reakciju. Ipak, ovo nije osnovni način koji ljudi koriste pri zaključivanju o čvrstini objekata iz svoje sredine. Kod ljudi se najpreciznije zaključivanje vrši na osnovu stepena promene u oblasti kontakta između prstiju i objekta. Mekani objekti se više poravnavaju sa povećanjem oblasti koja se dodiruje. Zbog toga su istraživači sa MIT rešili da i kod robota primene isti pristup. Venžen Juan (Wenzhen Yuan), jedna od članica tima, na osnovu industrijskih kalupa, napravila je 400 grupa silikonskih objekata sa 16 objekata po grupi. Objekti su, stoga, imali identičan oblik, a njihova čvrstina je merena standardnom industrijskom skalom. Nakon toga, Venžen Juan je uz svaki objekat ručno pritiskala GelSight senzor i beležila na koji način se obrazac kontakta menja u toku vremena, a pri tome je snimila kratke filmove o dobijenim rezultatima. Izdvojila je po pet jednako vremenski raspoređenih kadrova iz svakog filma, koji su demonstrirali deformaciju pritisnutih objekata. Zatim je podatke prosledila veštačkoj neuronskoj mreži koja je automatski tražila povezanost između promena u obrascu pritiska i izmerene čvrstine. Njen tim je ubrzo sproveo još jedan eksperiment. U tom eksperimentu ljudi su imali zadatak da pipaju voće i povrće i da date plodove zatim rangiraju po čvrstini. Isto voće i povrće dato je i robotima opremljenim GelSight senzorima, koji su došli do identičnih rezultata kao i ljudi koji su učestvovali u eksperimentu.
Druga grupa istraživača sa MIT pokušava da razvije kontrolne sisteme koji će humanoidnog robota usmeravati kroz niz svakodnevnih zadataka. Autonomni robot obično koristi određeni tip kompjuterskog vizuelnog sistema kako bi upravljao manipulacijom objekata iz svoje okoline. Takvi sistemi pružaju robotima vrlo precizne informacije o lokaciji objekta, sve do trenutka kada robot podigne određeni predmet. U slučajevima kada su dimenzije objekta izuzetno male, robot će svojim delovima zakloniti objekat, tako da će mu biti otežana dalja procena lokacije tog predmeta. Naime, baš u situacijama kada je robotu neophodno da zna tačnu lokaciju predmeta, procena postaje skoro potpuno nepouzdana. Tim istraživača se susretao upravo sa ovakvim problemom kada je pokušavao da navede robota da koristi električnu bušilicu. Robotu je, nakon što podigne bušilicu, bilo potrebno tri ili četiri minuta samo da je uključi. Zbog toga su osmislili kontrolni algoritam koji upotrebljava kompjuterski vizuelni sistem da ,,ruku“ robota navodi do alata, a nakon što uhvati alat, procenu lokacije vrši zahvaljujući GelSight senzorima. Izazov u ovakvom pristupu pri određivanju lokacije predmeta je način na koji će se uskladiti podaci koji se dobijaju uz pomoć kompjuterskog vizuelnog sistema, sa onima koji se dobijaju GelSight senzorima. S obzirom na to da je GelSight tehnologija, između ostalog, zasnovana i na kamerama, podaci koji se njome dobijaju mnogo se lakše mogu kombinovati sa informacijama dobijenim vizuelnom percepcijom, od podataka dobijenih bilo kojom drugom vrstom taktilnih senzora. U poslednjem eksperimentu ove grupe istraživača, robot je imao zadatak da uhvati mali šrafciger, odvoji ga od prvobitnog postolja, a zatim vrati na mesto. Podaci dobijeni GelSight senzorom, naravno, ne opisuju položaj celog šrafcigera, već samo male oblasti, koja je, zapravo, kontaktna površina između šrafcigera i robota. Istraživanje je pokazalo da dokle god je procena početnog položaja šrafcigera uz pomoć vizuelnog sistema bila tačna, uz mogućnost greške od par centimetara, algoritmi su bez problema zaključivali koji deo šrafcigera se dodiruje GelSight senzorima, a samim tim i koji se sve delovi šrafcigera nalaze u ruci robota.
Ova istraživanja su potvrdila da je pored napretka u razvoju senzora došlo i do odgovarajućeg napretka u razvoju softvera koji omogućava novim tehnologijama da ostvare svoj puni potencijal. Algoritmi zasnovani na mašinskom učenju u kombinaciji sa kompjuterskim vizuelnim sistemima mogu procesuirati veliku količinu podataka dobijenih od taktilnih senzora i precizno zaključivati o položajima i svojstvima različitih predmeta. U budućnosti bi trebalo da nove metode mašinskog učenja u kombinaciji sa detaljno uvežbanim veštinama manipulacije objektima, koje će robote načiniti spretnijim i sposobnijim, pomognu i ljudima da još bolje razumeju svoja taktilna čula i kontrolu motoričkih pokreta.
Priredila: Sanja Dejanović