左上角)一个Kinova gxAnyRobot正在试图抓住一根香蕉(目标对象是黄色的香蕉；背景物体是绿色和红色的)。(右上角)左侧场景的自上而下视图。(左下)外部，背景对象被改变:对象的配置被改变，新的对象被引入(圆柱形罐，盘子)，香蕉被放在盘子上，桌子被旋转90度；一个环境属性也发生了变化:光线现在来自不同的方向并投射阴影。在内部和动态方面，机器人的第三个关节(用蓝色标记)在移动时会变成jam med。(右下方)左侧场景的自上而下视图。整个设施已搬到一个较小的房间。学分:利哈伊大学的崔金达和杰夫·特林克如果一个机器人可以整理你的衣柜或者给你切菜怎么办？每个家庭都有一个副主厨，这有一天会成为现实。尽管如此，尽管人工智能和机器学习的进步使得更好的机器人技术成为可能，但人类和机器人之间的差距仍然很大。缩小这一差距需要克服机器人操作中的许多障碍，或者机器人操纵环境和适应不断变化的刺激的能力。
博士生崔金达和利哈伊大学计算机科学与工程系教授兼系主任杰夫·特林克对这些挑战感兴趣。他们在一个名为“学习机器人操纵”的领域工作，在这个领域中，机器人通过机器学习被“训练”来像人类一样操纵物体和环境。
“我一直觉得，要让机器人真正有用，它们必须能够捡起东西，它们必须能够操纵它，把东西放在一起并修理东西，帮助你离开地板等等，”特林克说，他在机器人操纵方面进行了几十年的研究，并以其在接触约束下模拟多体系统的开创性工作而闻名。“像这样的问题，需要这么多技术领域一起研究。”
“在机器人操作中，学习是传统工程方法的一种有前途的替代方法，并且已经证明了巨大的成功，尤其是在取放任务中，”崔说，他的工作一直专注于机器人操作和机器学习的交叉。“尽管许多研究问题仍需解答，但学习机器人操作有可能将机器人带入我们的家庭和企业。也许在不久的将来，我们会看到机器人为我们擦桌子或整理壁橱。”
崔和特林克在《科学机器人》杂志上发表了一篇名为《迈向下一代学习型机器人操作》的综述文章，从适应性的角度总结、比较和对比了学习型机器人操作的研究，并概述了未来有前途的研究方向。
在他们的研究中，崔金达和他的导师Jeff Tinkle通过机器学习训练机器人执行操纵任务。功劳:瑞安·哈尔瓦特/梅里斯·崔和特林科强调模块化在学习设计中的有用性，并指出需要对操作任务进行适当的表示。他们还注意到模块化支持定制。
崔说，那些从事传统工程的人可能会怀疑所学技能对机器人操作的可靠性，因为它们通常是“黑箱”解决方案，这意味着研究人员可能不知道所学技能何时以及为什么会失败。
“正如我们的论文所指出的，对所学的操作技能进行适当的模块化可能会打开‘黑盒’，并使它们更容易解释，”崔说。
崔(Cui)和特林克(Trinkle)提出的九个领域特别有希望提高学习机器人操作的能力和适应性，这九个领域是:1)具有更多感知方式的表征学习，例如触觉、听觉和温度信号。2)先进的操纵模拟器，因此它们能够尽可能快速和真实。3)任务/技能定制。4)“可移植”任务表示。5)对操作的知情探索，其中主动学习方法可以通过利用联系信息来有效地发现新技能。6)持续探索，或者说，在机器人部署后，所学技能持续改进的一种方式。7)大规模分布式/并行主动学习。8)硬件创新，简化更具挑战性的操作，如手动灵巧操作。9)实时性能，因为最终，所学的操作技能将在现实世界中得到测试。
按照其中的一些方向，崔和特林克目前正在研究基于触觉的感觉运动技能，以使机器人操作者更加灵巧和健壮。
对崔来说，他在探索当前研究时最令人兴奋的发现之一是，学习机器人操作仍处于初级阶段。
“这给研究界留下了许多探索和发展的机会，”崔说。“充满希望的未来和广阔的探索空间将使学习机器人操作成为未来几十年令人兴奋的研究领域。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
