機器人能夠?qū)ξ锢矶蓳碛兄庇X理解，聽起來可能像艾薩克·阿西莫夫的小說情節(jié)。不過，谷歌機器人部門的科學(xué)家卻透露，他們已經(jīng)打造出這樣的機器人。目前，即使是最有能力的機器人，也很難完成投擲、滑動、旋轉(zhuǎn)、擺動、接球和其他運動技能，但是這些科學(xué)家表示，他們的研究工作將為未來的機器人系統(tǒng)奠定基礎(chǔ)。
谷歌學(xué)生研究員Andy Zeng在一篇博客文章中寫道：“盡管機器人在高效抓取物體、視覺自適應(yīng)甚至從現(xiàn)實世界經(jīng)驗中進行學(xué)習(xí)等方面已經(jīng)取得了相當(dāng)大的進步，但機器人操作仍然需要仔細考慮如何拾取、處理和放置各種物體——尤其是在非結(jié)構(gòu)化的環(huán)境中。但是，機器人能不能學(xué)會有利地使用動力學(xué)，培養(yǎng)物理‘直覺’，從而讓它們更有效地完成任務(wù)?”
為了回答這個問題，Zeng和同事們與普林斯頓、哥倫比亞和麻省理工學(xué)院的研究人員合作，開發(fā)了一種他們稱之為TossingBot的拾取機器人，該機器人可以學(xué)會抓取物體并將其扔進“自然范圍”之外的盒子里。它不僅達到了之前最先進模型的兩倍速度，而且實現(xiàn)了兩倍的有效放置范圍，并可以通過自我監(jiān)督進行改善。
要想實現(xiàn)具有可預(yù)測性的投擲并不容易，即使對人類來說也是如此。抓力、姿勢、質(zhì)量、空氣阻力、摩擦力、空氣動力學(xué)和無數(shù)其他變量都會影響物體的軌跡。通過反復(fù)試驗來模擬射彈物理是有可能的，但Zeng指出，這將耗費大量的計算資源，需要大量的時間，而且不會生成一般普遍的規(guī)律。
相反，TossingBot使用射彈彈道模型來估計物體到達目標(biāo)位置所需的速度，而且它使用端到端的神經(jīng)網(wǎng)絡(luò)——以生物神經(jīng)元為模型的數(shù)學(xué)函數(shù)層——根據(jù)來自頭頂攝像機的視覺和深度數(shù)據(jù)進行訓(xùn)練，以此來預(yù)測基于估計值的調(diào)整度。Zeng說，這種混合方法使系統(tǒng)能夠達到85%的投擲準(zhǔn)確度。
教會TossingBot抓取物體有點棘手。首先，它需要反復(fù)嘗試“不好的”抓取，直到找到更好的方法，同時通過以前所未有的速度隨機投擲物體來提高投擲能力。經(jīng)過大約14小時、1萬次抓取和投擲嘗試后，TossingBot可以在大約87%的時間里牢牢抓取放置在雜亂堆積物品中的物體。
或許更令人印象深刻的是，經(jīng)過一兩個小時的訓(xùn)練，TossingBot可以適應(yīng)從未見過的地點和物品，比如假水果、裝飾物品和辦公用品。Zeng說：“TossingBot很可能學(xué)會更多地依賴幾何線索(如形狀)來學(xué)習(xí)抓取和投擲。這些新出現(xiàn)的特性都是自我學(xué)習(xí)，除了任務(wù)級的抓取和投擲之外，沒有任何明確的監(jiān)督。然而，它們似乎足以使系統(tǒng)區(qū)分對象類別(如乒乓球和記號筆)。”
研究人員承認，由于TossingBot使用嚴格的視覺數(shù)據(jù)作為輸入，如果對易碎物體進行測試，可能會妨礙它在測試中對新物體做出反應(yīng)的能力。但是他們也表示，結(jié)合物理學(xué)和深度學(xué)習(xí)，將會是未來一個有希望的方向。
關(guān)鍵詞： 谷歌拾取機器人
