在自动机器人操作实验室中，一个机器人在模拟汽车发动机周围不缠绕带子的情况下执行难以建模的操作任务。功劳:彼得·米特亚诺机器人用来完成任务的模型在实验室的结构化环境中运行良好。然而，在实验室之外，即使是最复杂的模型在新的情况下或在难以建模的任务中也可能证明是不够的，例如使用软材料，如绳子和布。为了克服这个问题，密歇根大学的研究人员创造了一种方法，让机器人可以预测何时不能信任他们的模型，并在发现模型不可靠时进行恢复。
机器人学博士生彼得·米特亚诺说:“我们试图教会机器人如何利用现有资源。
“当机器人捡起东西并四处移动时，它可能不知道一切的物理或几何。我们的目标是让机器人仍然能够完成有用的任务，即使是在这个有限的动力学模型中，这个模型描述了事物是如何运动的。”
为了使机器人能够处理复杂的物体或环境，工程师通常依靠两种方法之一。
一种是收集大量数据，用它来开发一个详细的模型，试图覆盖所有可能的场景。然而，这种完整的动力学模型通常只对小运动和固定环境下准确。
另一种方法是检查模型的不准确性，以便生成最佳的可能操作。然而，模型的不准确性很难测量，尤其是如果出现了新的、未建模的项目，并且如果机器人高估了误差，它可能会错误地确定不可能完成任务。
“所以你可以试着准确地学习各地的动态，你可以试着保守地估计一个模型什么时候是正确的，或者你可以利用我们的方法，这就是从与你的模型准确或不准确的环境互动中学习，”Mitrano说。
学分:密歇根大学在实验中，研究小组创建了一个简单的模型，描述了绳子在开放空间中移动时的动力学。然后，他们添加了障碍，并创建了一个分类器，该分类器了解这个简单的绳索模型何时可靠，但没有试图了解绳索如何与物体相互作用的更复杂的行为。最后，如果机器人遇到一种情况——比如绳索与障碍物相撞时的化验——研究小组增加了恢复步骤，分类器确定这个简单的模型不可靠。
该团队用当前最先进的全动态方法测试了他们的简单模型、分类器和恢复方法。给定在障碍物中拖动绳索到目标位置的任务，团队的方法在84%的时间内是成功的，相比之下，完整动态模型的成功率为18%。
“在我们的方法中，我们从其他科学和机器人领域获得了灵感，在这些领域，简单的模型尽管有其局限性，但仍然非常有用，”电气工程和计算机科学副教授、机器人研究所核心教员德米特里·贝伦森说。
贝伦森说:“在这里，我们有一个简单的绳索模型，我们开发了一些方法来确保我们在模型可靠的适当情况下使用它。“这种方法可以让机器人将知识推广到他们以前从未遇到过的新情况。”
该团队还在两个真实环境中展示了他们模型的成功:抓住电话充电电缆和操纵汽车引擎盖下的软管和带子。
这些例子也显示了他们的方法的局限性，因为它没有为完成任务所必需的联系动作提供解决方案。例如，虽然它能够将充电线移动到位，但您需要一种不同的方法来插入手机。此外，由于机器人正在通过移动世界上的东西来探索其能力，机器人必须配备安全约束，以便能够安全探索。
米特亚诺说，这项研究的下一步是探索给定模型可能有用的其他地方。
“我们有可以将电话线绕着桌子拖动的设置，但是我们可以将该模型应用于在船上拖动类似消防水管的东西吗？”
论文《学习在非结构化世界中，在哪里信任不可靠的模型来操纵可变形物体》发表在《科学机器人》杂志上。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
