Credit:麻省理工学院计算机科学与人工智能实验室一岁时，婴儿比机器人还灵巧。当然，机器可以做的不仅仅是拿起和放下物体，但我们还没有完全复制探索性或复杂灵巧操作的自然吸引力。OpenAI ga ve it试试“Dactyl”(意为“手指”，源自希腊语daktylos)，用他们的人形机器人手用软件解出魔方，这是迈向更通用AI的一步，也是远离常见单一任务心态的一步。DeepMind创建了“RGB-stagging”，这是一个基于视觉的系统，它要求机器人学习如何抓取物品并将其堆叠起来。
麻省理工学院计算机科学和人工智能实验室(CSAIL)的科学家们，在不断寻求让机器复制人类能力的过程中，创造了一个更具规模的框架:一个可以重新定向2000多个不同物体的系统，机器人手朝上和朝下。这种操纵从杯子到金枪鱼罐头和奶酪盒的能力，可以帮助手以特定的方式和位置快速拾取和放置物体，甚至推广到看不见的物体。
这种灵巧的“手工作业”——通常受到单一任务和直立位置的限制——可能是加快物流和制造的一项资产，有助于满足共同的需求，例如将物体打包到插槽中进行装配，或者灵巧地操作更广泛的工具。该团队使用了一只具有24个自由度的模拟拟人手，并展示了该系统未来可以转移到真实机器人系统的证据。
麻省理工学院CSAIL博士生陈涛是“不可能”人工智能实验室的成员，也是该项目的首席研究员，他说:“在工业中，平行爪是最常用的，部分原因是它控制简单，但它在物理上无法处理我们在日常生活中看到的许多工具。“即使使用钳子也很困难，因为它不能灵巧地来回移动一个手柄。我们的系统将允许多指手灵巧地操作此类工具，这为机器人应用开辟了一个新领域。”
帮我一把
这种类型的“手动”物体重新定向在机器人学中一直是一个具有挑战性的问题，因为要控制大量的电机，并且手指和物体之间的接触状态频繁变化。有超过2000个物体，这个模型有很多东西需要学习。
当手朝下时，这个问题变得更加棘手。机器人不仅需要操纵物体，还需要规避重力，这样它就不会掉下来。
该团队发现，简单的方法可以解决复杂的问题。他们使用无模型强化学习算法(意味着系统必须从与环境的交互中找出价值函数)进行深度学习，并使用了一种称为“师生”培训的方法。
为了做到这一点，“教师”网络被训练关于物体和机器人的信息，这些信息在模拟中很容易获得，但在现实世界中不容易获得，例如指尖的位置或物体的速度。为了确保机器人可以在模拟之外工作，“老师”的知识被提炼成可以在现实世界中获得的观察结果，例如摄像机捕捉的深度图像、物体姿态和机器人的关节位置。他们还使用了“重力课程”，机器人首先在零重力环境中学习这项技能，然后慢慢使控制器适应正常的重力条件，当以这种速度拿东西时，确实提高了整体性能。
虽然看似违反直觉，但单个控制器(被称为机器人大脑)可以重新定向大量以前从未见过的物体，而且对形状一无所知。
“我们最初认为，在机器人操纵物体时推断形状的视觉感知算法将是主要的挑战，”麻省理工学院教授普尔基特·阿格拉瓦尔说，他是这项研究论文的作者。“相反，我们的结果表明，我们可以学习形状不可知的鲁棒控制策略。这表明，对于操控而言，视觉感知可能远没有我们习惯的思维重要，更简单的感知处理策略可能就足够了。”
许多小的圆形物体(苹果、网球、弹珠)，当手朝上和朝下重新定向时，成功率接近百分之百，不出所料，对于更复杂的物体，如勺子、螺丝刀或剪刀，成功率最低，接近30%。
除了将系统带入野外之外，由于成功率因物体形状而异，在未来，该团队指出，基于物体形状训练模型可以提高性能。
陈和麻省理工学院CSAIL博士生，以及麻省理工学院教授普基特·阿格拉瓦尔一起写了一篇关于这项研究的论文。它将在2021年机器人学习会议(CoRL)上展示。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
