Роботы научились точнее оценивать усилие при дезинфекции с помощью адаптивного ИИ

Ученые разработали систему, которая позволяет роботам точнее оценивать силу нажатия при дезинфекции поверхностей, используя только встроенные датчики и адаптивный искусственный интеллект. Это решает давнюю проблему: из-за деформации инструментов, таких как тампоны из пены или ткани, реальное усилие на кончике отличается от того, что измеряет робот. Новый метод не требует дорогих одноразовых датчиков и может быстро адаптироваться к разным материалам, что особенно важно для стерильных сред в медицине и лабораториях.

Как роботы оценивают усилие при дезинфекции

При дезинфекции поверхностей робот должен прижимать инструмент с определенной силой, чтобы обеспечить качественный контакт, но не повредить поверхность. Обычно для этого используются датчики на запястье манипулятора, которые измеряют силу. Однако, когда инструмент деформируется — например, сжимается тампон или губка — сила, измеренная на запястье, перестает соответствовать силе на кончике инструмента. Это явление называется гистерезисом: материал не возвращается мгновенно в исходную форму, что создает ошибки в оценке.

Традиционные решения требуют установки датчиков непосредственно на инструменте, но для одноразовых стерильных тампонов это дорого и негигиенично. Ученые из нескольких университетов предложили альтернативу: использовать только проприоцептивные датчики, которые уже встроены в робота, и обучить нейросеть предсказывать реальную силу контакта по данным о движении.

Почему адаптивный ИИ решает проблему гистерезиса

Ключевая инновация — использование рекуррентной нейронной сети LSTM, которая учитывает историю движений робота. Это позволяет модели улавливать нелинейные зависимости между положением, скоростью и силой, возникающие из-за гистерезиса. В экспериментах на роботе UR5e с девятью комбинациями инструментов (разные типы тампонов) и поверхностей (стекло, пластик, металл) система показала снижение ошибки оценки силы до 63% по сравнению с традиционными методами.

Но самое важное — метод способен адаптироваться к новым материалам без полного переобучения. Используется техника few-shot continual adaptation: основная сеть остается замороженной, а для каждого нового инструмента или поверхности добавляются низкоразмерные контекстные эмбеддинги через модуляцию признаков FiLM. Это позволяет роботу быстро настраиваться на новый тип деформации, не забывая предыдущие навыки.

Какие задачи решает новая технология

Разработка направлена на автоматизацию процессов, где требуется точный контроль контакта с деформируемыми материалами. В первую очередь это медицинские учреждения, где роботы дезинфицируют операционные или палаты, используя одноразовые тампоны. Также технология применима в лабораториях, где роботы работают с мягкими образцами, и в клининговых сервисах, где важно не повредить чувствительные поверхности.

Отсутствие необходимости в дополнительных датчиках снижает стоимость и упрощает стерилизацию: инструменты могут быть недорогими и одноразовыми, а робот использует только свои штатные сенсоры. Это делает систему более практичной для реального внедрения.

Какие ограничения остаются у метода

Несмотря на впечатляющие результаты, исследователи отмечают, что метод пока протестирован на ограниченном наборе инструментов и поверхностей. Неизвестно, как он поведет себя с более сложными формами деформации, например, с многослойными материалами или инструментами неправильной формы. Также требуется дополнительная проверка: нужна ли калибровка для каждого нового материала или система сможет адаптироваться полностью автоматически.

Кроме того, текущая модель основана на данных с одного типа робота — UR5e. Для переноса на другие манипуляторы может потребоваться дообучение. Однако архитектура с контекстными эмбеддингами теоретически позволяет переносить знания между разными роботами, если их кинематика схожа.

Что это значит для будущего роботизированной дезинфекции

Разработка открывает путь к более умным и автономным роботам для уборки и дезинфекции. Вместо жестких программ с фиксированными усилиями, роботы смогут адаптироваться к конкретному инструменту и поверхности в реальном времени. Это повысит качество дезинфекции и снизит риск повреждения оборудования.

В перспективе технология может быть интегрирована в коммерческие роботы-уборщики, которые сейчас часто используют простые алгоритмы с обратной связью по силе. Адаптивный ИИ позволит им работать с разными типами губок, тряпок и щеток без ручной настройки.

Как роботы адаптируются к новым инструментам без переобучения

Один из ключевых вопросов, который волнует разработчиков: как быстро робот может научиться работать с новым инструментом? В предложенном методе используется few-shot адаптация: достаточно нескольких примеров (например, 5-10 нажатий), чтобы система подстроилась под новый материал. Это достигается за счет того, что контекстные эмбеддинги кодируют свойства инструмента и поверхности, а основная сеть остается общей.

Такой подход позволяет избежать катастрофического забывания — проблемы, когда нейросеть, обучаясь новому, забывает старое. В экспериментах система сохраняла точность на ранее изученных материалах даже после адаптации к новым.

Где уже применяются подобные технологии

Хотя данная разработка еще на стадии исследований, похожие принципы используются в промышленных роботах для сборки и полировки, где требуется контроль усилия. Однако для дезинфекции с деформируемыми инструментами это первый успешный пример. Команда планирует расширить эксперименты на большее количество материалов и инструментов, а также провести испытания в реальных больничных условиях.

В итоге, адаптивный ИИ для оценки контактной силы может стать стандартным компонентом роботов для стерильных сред, делая их более гибкими и экономичными.