网站首页生活 > 正文

帮助机器人掌握不可预测的事物

2024-08-19 17:36:21 生活来源：

导读当机器人遇到不熟悉的物体时，它们很难解释一个简单的事实：外表并不代表一切。它们可能会试图抓住一个积木，结果却发现它其实很容易。物体...

当机器人遇到不熟悉的物体时，它们很难解释一个简单的事实：外表并不代表一切。它们可能会试图抓住一个积木，结果却发现它其实很容易。物体的误导性外观可能会导致机器人错误计算物体的重量和重心等物理特性，从而使用错误的抓握方式并施加超过需要的力。

为了看清这一错觉，麻省理工学院计算机科学与人工智能实验室(AIL)的研究人员设计了“抓取神经过程”，这是一种预测物理模型，能够实时推断这些隐藏的特征，从而实现更智能的机器人抓取。基于有限的交互数据，他们的深度学习系统可以协助仓库和家庭等领域的机器人，而计算成本仅为以前的算法和统计模型的一小部分。

抓握神经过程经过训练，可以根据抓握尝试的历史推断出不可见的物理属性，并利用推断出的属性来猜测哪些抓握在未来会很有效。之前的模型通常仅根据视觉数据识别机器人抓握。

通常，推断物理特性的方法建立在传统统计方法的基础上，这些方法需要许多已知的抓取和大量的计算时间才能正常工作。抓取神经过程使这些机器能够使用少得多的交互数据更有效地执行良好的抓取，并在不到十分之一秒的时间内完成计算，而传统方法则需要几秒钟(或几分钟)。

研究人员指出，抓取神经过程在家庭和仓库等非结构化环境中蓬勃发展，因为两者都存放了大量不可预测的物体。例如，由麻省理工学院模型驱动的机器人可以快速学习如何处理装有不同食物数量的紧密包装的盒子，而无需看到盒子内部，然后将它们放置在需要的地方。在配送中心，具有不同物理特性和几何形状的物体将被放置在相应的盒子中，然后运送给客户。

抓取神经过程经过1,000种独特几何形状和5,000个物体的训练，在模拟中实现了对ShapeNet存储库中生成的新型3D物体的稳定抓取。然后，AIL领导的团队通过两个加权块在物理世界中测试了他们的模型，他们的工作表现优于仅考虑物体几何形状的基线。在事先限制为10次实验抓取的情况下，机械臂在20次尝试中分别成功拿起盒子18次和19次，而机器在没有准备的情况下只能稳定抓取8次和15次。

虽然不像演员那样戏剧化，但完成推理任务的机器人也需要遵循三个步骤：训练、适应和测试。在训练步骤中，机器人在一组固定的物体上练习，并学习如何从成功(或不成功)抓取的历史中推断物理特性。新的AIL模型摊销了物体物理的推断，这意味着它训练神经网络来学习预测原本昂贵的统计算法的输出。只需通过一次具有有限交互数据的神经网络，即可模拟和预测哪种抓取方法对不同的物体最有效。

然后，在适应阶段，机器人接触一个不熟悉的物体。在此步骤中，抓握神经过程帮助机器人进行实验并相应地更新其位置，了解哪种抓握方式最有效。这个调整阶段为机器的最后一步做好准备：测试，在此阶段，机器人在对物品属性有了新的理解的情况下正式执行物品上的任务。

“作为一名工程师，假设机器人知道成功抓取所需的所有必要信息是不明智的，”主要作者、麻省理工学院电气工程与计算机科学(EE)博士生、AIL成员MichaelNoseworthy表示。“如果没有人类标记物体的属性，机器人传统上需要使用昂贵的推理过程。”据另一位主要作者、EE博士生和AIL成员SeijiShaw称，他们的抓取神经过程可能是一种简化的替代方案：“我们的模型可以帮助机器人更有效地完成这项工作，使机器人能够想象哪种抓取方式会产生最佳结果。”

“要让机器人走出实验室或仓库等受控空间，进入现实世界，它们必须更好地应对未知事物，并且不太可能因编程的细微变化而失败。这项工作是实现机器人全部变革潜力的关键一步，”赞助这项工作的美国陆DEVCOM陆研究实验室的自主机器人研究员ChadKessens说。

虽然他们的模型可以帮助机器人有效地推断隐藏的静态属性，但研究人员希望增强系统，使其能够实时调整抓握动作，以适应多项任务和具有动态特征的物体。他们设想，他们的工作最终将协助完成长期计划中的多项任务，例如拿起胡萝卜并将其切碎。此外，他们的模型可以适应非静态物体的质量分布变化，例如当你装满一个空瓶子时。

版权说明： 本文由用户上传，如有侵权请联系删除！

标签：

上一篇：富有远见的方法一个团队如何为色盲科学家开发可访问的地图
下一篇：最后一页

网站首页生活 > 正文

帮助机器人掌握不可预测的事物

猜你喜欢：

最新文章：

网站首页 生活 > 正文

帮助机器人掌握不可预测的事物

猜你喜欢：

最新文章：

网站首页生活 > 正文