谷歌教机器人比你更好地抛香蕉-NAO机器人

NAO机器人代理商

位置：首页 >> 新闻中心 >> 机器人新闻

机器人新闻

谷歌教机器人比你更好地抛香蕉
任何曾经试图学习如何正确地投掷东西的人都可以证明，需要做很多练习才能做到正确。但是，一旦你失败了，它会让你在各种奇怪的任务中更有效率：想要通过一个不方便的远离地面的篮筐传递橙色的球?扔吧!想要敲一些放在大棒上的小棍子用球?扔吧!想在苏格兰移动电线杆吗?你明白了。

不幸的是，大多数人都没有足够的天赋来获得我们开发的技能，以便出于奇怪的原因将这些技能转化为日常实际任务。但是想象一下，如果我们能够将任意物体扔到任意位置并具有高可靠性，那么我们能够做到这一点 - 做清洁房间或分拣衣物等事情要容易得多，它会彻底改变像仓库这样的工作环境，它可能会减少所有花在走路上的时间。

现在，谷歌研究人员与来自普林斯顿，哥伦比亚和麻省理工学院的合作者一起开发了一种名为TossingBot的机器人手臂，它可以教会自己非常准确地拾取和抛掷任意物体。目标是通过优雅高效的投掷替换整个“位置”位，显着加快拾取任务。

一般来说，投掷是一个非常困难的问题，值得注意的是，从一开始人类就会通过几乎总是使用平衡，空气动力学和/或对称的物体来积极地简化投掷。如果编程，机器人可以准确地抛出不平衡或不对称的物体，但通常你必须指定如何单独抓住和抛掷每个物体，找出最佳运动然后指示机器人重复它。

学习抛出任意物体要困难得多，特别是对于自学成熟的机器人 - 即机器人学习拾取东西并通过反复试验抛弃它们而不是被人类明确训练。TossingBot值得注意的是，它教导自己能够在最少的人为干预的情况下抓握和投掷，并且在相对较短的时间内，它能够足够快速且准确地操作，以便这些技术可以应用于实际的实际拣选系统。

使TossingBot如此有用的部分原因在于抛掷技术显着减少了机器人在拾放任务的“地点”部分上花费的时间。不是花时间把物体放下来，而是(正如研究人员所说的那样)物体“立即传递到牛顿”，并且折腾也意味着机器人的有效距离明显长于其物理工作空间。

在每小时超过500件物品的平均拣选率下，TossingBot在效率方面与人类在一起，至少对于它经历过的特定物品组合而言。虽然人类可能总是会更好地处理新奇物品，但TossingBot在新型物品方面表现相当不错。对于TossingBot来说，只需要一两个小时的训练来获得与已知对象类似的性能，并且它还可以快速学会将东西扔到以前没有训练过的位置。

TossingBot使用一个深度神经网络，从一个箱子里的物体的深度图像开始，然后通过成功的抓取和抛出训练自己。

TossingBot本身的一个有趣的部分是一个深度神经网络，它以一个bin中对象的深度图像开始，并从成功的抓取到投掷本身的参数一直进行。由于投掷物体(特别是不平衡物体)在很大程度上取决于它是如何被抓住的，所以同时学习抓握和投掷。通过测量投掷是否成功来判断抓握是否成功，TossingBot学会倾向于获得准确投掷的掌握。正如您从视频中看到的那样，学习过程本身相当聪明，机器人可以大多只是单独留下来自己解决问题，在14小时的训练时间内管理10,000次抓握和投掷尝试。

这个过程的一个重要组成部分是研究人员称之为“剩余物理学”，它提供了一种世界基线知识，以帮助TossingBot更快地学习和适应。主要作者Andy Zeng在博文中解释道：

物理学提供了世界运作方式的先验模型，我们可以利用这些模型为我们的机器人开发初始控制器。例如，在投掷的情况下，我们可以使用射弹弹道学来提供使物体降落到目标位置所需的投掷速度的估计。然后，我们可以使用神经网络来预测物理估计之上的调整，以补偿未知动态以及现实世界的噪声和可变性。我们称之为混合配方Residual Physics，它使TossingBot能够达到85%的投掷精度。

对于85%准确率的某些背景：

我们甚至自己尝试过这个任务，我们惊喜地发现TossingBot比我们任何工程师都更准确!尽管如此，我们尚未对任何具有任何实际运动天赋的人测试TossingBot 。

我不知道，即使对于具有实际运动天赋的人来说，准确的香蕉折腾仍然是一个挑战。

IEEE Spectrum： TossingBot具有什么样的准确度，以及将物体投射更远距离意味着什么?将这种技术用于更大或更强大的武器是多么容易?

Andy Zeng： TossingBot在其自然范围之外的容器中的准确度为85%，每个容器的开口为25 x 15厘米。在模拟中，我们测试了更长距离(最长5米)的推广，并且该方法运行良好。但在现实世界中，最远的盒子离机器人只有2米左右。我们没有进行任何更远的测试，因为任何更难的投掷都会导致UR5达到力 - 扭矩限制。我们的猜测是，由于物理学/弹道学的初步估计，该方法应该对更长的距离进行合理的推广。

TossingBot可能会首先以较低的准确度开始到这些更远的位置(由于意外的动态)，但它应该很快适应新的训练样本，因为它继续进行在线学习。在使这种技术适用于更大和更强大的臂的方面，只要臂具有良好的可重复性(例如，制造中使用的那些)和实时控制，它应该是容易的。

是否有任何特别有趣的失败或失败类别?

最有趣的失败是它通过其中一个尖端抓住长物体(例如标记笔)。在拾起并抛出之后，物体以更高的速度向前摆动，通常在同事的桌子上落到3米远的地方。

这种情况最常发生在训练开始时。但是，由于我们根据后续投掷是否准确来监督掌握，系统开始学习避免通过提示拾取标记笔。随着训练的进行，我们看到TossingBot更频繁地从中间拾取标记笔。

你能推测一些投掷物体的机器人可能特别有用的特定用例吗?

我认为折腾基本上是一种显着更具时间效率的“放置”版本，用于拾取和放置人们不关心的物体，或者可以承受着陆碰撞造成的损坏。一个很好的例子是灾难响应情景中的碎片清除，其中时间至关重要。

TossingBot有半瓶装水会有什么问题吗?

我们还没有测试瓶子翻转，但TossingBot应该没有问题。瓶子翻转应该比投掷任意物体更容易，任务物体可以具有系统需要学习补偿的更广泛的有趣动态。

你想从这里参加这项研究?

折腾是动态操纵的一种形式，机器人利用世界的动力学(即物理学)来提高其能力。动态操纵的其他示例包括滑动，旋转，摆动或捕捉。我们不经常考虑它，但人们总是使用动态操作。例如，将啤酒从酒吧桌上滑到朋友身上，将手机从口袋中拉出后将其侧向旋转，将蔬菜直立放入沸腾的锅中。动态操纵是机器人技术中一个研究不足的研究领域，我认为它具有提高机器人效率的巨大潜力。