导读
近日, 谷歌机器人部门的科学家表示, 他们已经打造出了对物理定律拥有 "直观理解" 的机器人. 这个名为 Tossingbot 的机器人学会了抓取各式各样的物体, 并将它们准确地投掷到超出其所能触及范围之外的盒子中.
能够有预测性地将物品投掷到指定位置并不是一件容易的事情, 物品的形状, 大孝重量, 抓握物体的姿势, 空气摩擦, 投掷力度等因素都可能会影响到物品投掷的轨迹. 如果是连续投掷随机物品, 那么准确率将会更低, 因为投掷者需要在脑中迅速转换对物体重量以及投掷力度的判断.
对于人类来说, 想要准确投掷需要大量的练习, 而对机器人来说, 不光需要大量的练习, 可能还需要一点 "物理直觉".
"物理直觉" 这个词是谷歌研究院 Andy Zeng 在他的一篇博客中提到的. 他说, 目前机器人已经在高效抓取物体, 视觉自适应, 经验学习等方面取得了很大的进步, 但在操作时仍然需要仔细考虑如何拾取和放置物体."所以, 机器人能不能学会有利地使用动力学, 培养出一种物理'直觉', 从而让它们更有效地完成任务?"
Tossingbot 就是 Zeng 和同事们为了回答这个问题而开发出的投掷机器人. 普林斯顿, 哥伦比亚和麻省理工学院的研究人员也参与到了这个项目中.
Tossingbot 利用射弹弹道学来估计物体落到目标点所需的投掷速度, 并使用神经网络预测基于物理估算的调整, 以应对可能出现的未知动态. 研究人员将这种混合方案称为 "Residual Physics", 也就是 Zeng 所希望的 "物理直觉".
训练刚开始时, Tossingbot 的抓取并不那么准确, 经常抓空或抓不牢.
在反复尝试后, 它逐渐学会了使用更好的方式来进行抓取, 提高了准确性的同时, 它还会偶尔尝试一下用从未尝试过的速度投掷物体, 以观察之后会发生什么.
在训练过程中, 发生了一件很有趣的事情. 研究人员在 Tossingbot 面前放了一把螺丝刀, 第一次, 机器人抓住螺丝刀的中部, 准确地抛到了桌子上.
而第二次, 它抓住的是螺丝刀较细的前端, 所以以同样的力度抛出后, 螺丝刀被扔到了更远的位置.
这种投掷结果会被标记为 "不准确", 因此, 在之后的训练中, Tossingbot 会更频繁地抓取这类物体靠近重心的中部, 而非细长的前端.
Tossingbot 的学习能力很强, 它能够举一反三地辨认出物品的种类, 而非单纯地标记某一个物品.
例如, 在 Tossingbot 进行视觉观察的 RGB-D 图像中, 将粉色的马克笔标记为高亮.
然后 Tossingbot 就自动将所有颜色的马克笔标记为了高亮.
这就意味着, Tossingbot 非常擅长于辨认物体的几何形状, 或许也能够认识到物体的物理性质.
在经过大约 14 小时 10,000 次抓取和投掷后, 机器人最终能够实现 85% 的投掷准确度, 以及在杂乱物体环境中 87% 的抓取可靠性. 并且它能够很好地适应从未在训练中出现过的物品, 例如假水果, 装饰物等, 也能够很好地适应从未训练过的投掷位置.
比如像这样, 以左下角的黄色区域为标记点, 训练 Tossingbot 进行投掷. 随后, 切换成从未训练过的蓝色区域, 标记为投掷区, Tossingbot 依然能够准确地投进.
最有意思的一点是, 在训练过程中, 如果面前盒子里的玩具快要没了, Tossingbot 还会把训练用的隔板掀起来, 把玩具倒回盒子里, 继续训练.
下面是 Tossingbot 学习抓取及投掷的技术讲解视频:
目前, Tossingbot 每小时能拾起超过 500 件物品, 最远投掷距离大约在两米左右. 不过, 这一切都是建立在 "被投掷物品足以承受落地碰撞" 的前提下进行的, 也就是说, 研究人员并未使用 Tossingbot 进行过易碎物品的抓取与投掷.
尽管如此, 研究人员认为, 目前的 Tossingbot 可以用来放置人们并不关心的, 或者不怕摔的物品, 例如在时间紧迫的灾难现场中, 碎片清理这样的活计就可以交给它来干了.
不用设定机器人动作的每一个程序, 而是交由机器人自己通过反复实践, 从经验和错误中进行学习. 或许对于通用智能机器人来说, 减少人为干预, 让它们自己进行学习就是最好的方式.
Tossingbot 的出现也正将机器人导向一个有趣的领域: 动态操纵. 就像 Zeng 说的那样, 动态操纵目前仍然是机器人技术中研究严重不足的一个领域, 如果能够深入地研究该领域的应用, 也许就能激发出其提高机器人效率的巨大潜力.
END
来源: http://www.ailab.cn/Intelligent_Robots/2019040789725.html