机器人抓取系统的现实应用与技术突破

现实世界的机器人操作系统

某中心研究奖获得者Russ Tedrake正在教授机器人如何在陌生且不断变化的环境中操纵各种物体。

自监督学习在机器人技术中的应用

通过首笔研究奖金，Tedrake团队致力于将自监督学习应用于机器人操作问题。自监督学习的基本方法是使用未标记（但通常经过算法处理）的数据来训练机器学习模型，以对某些任务有用的方式表示数据。

在计算机视觉中，自监督学习通常涉及获取同一图像的两个副本，随机修改其中一个——裁剪、旋转、改变颜色、添加噪声等——并训练模型识别两个图像都是同一对象。

关键点对应学习

Tedrake团队的后续项目是训练神经网络映射同一类型对象不同实例之间的关键点。例如，杯子把手与杯身连接的点可以构成一组关键点；关键点也可能是自由空间中的点，相对于对象定义，如杯子把手留下的开口。

团队从通过自监督预训练的神经网络开始，并使用同一类型对象的多个实例进行微调——例如各种形状和尺寸的杯子和鞋子。通过标注对应关键点，模型能够学习类别级别的结构原则，而不仅仅是记忆不同形状。

实时动态调整

项目下一阶段是教授机器人使用视频反馈实时调整轨迹。团队现在也将机器学习用于控制器设计。

为了训练控制器模型，团队使用演示数据，其中一名实验室成员远程操作机械臂，而其他成员移动目标物体，改变其位置和方向。在训练过程中，模型将演示中的传感器数据作为输入，并尝试预测远程操作者的控制信号。

结合传统优化与机器学习

Tedrake团队目前正致力于开发更复杂的技术来分析规划和控制问题。在最近的一篇论文中，他们考虑了一个最短路径问题的变体，即通过具有不同长度边的图找到最短路径。

在这个问题变体中，图节点的位置根据某种函数变化，因此边长也随之变化。这种形式适用于广泛的问题，包括机器人和自动驾驶车辆的运动规划。

通过这种图的计算最短路径是一个NP完全问题，意味着对于足够大的图来说在计算上是难以处理的。但研究人员展示了如何高效地找到近似解。

这种对传统优化技术的持续关注使Tedrake与人工智能许多分支中向机器学习的主流转变形成了对比。

"学习效果非常好，但我认为很多时候人们把洗澡水和婴儿一起倒掉了，"他说。"有些事情我们仍然知道如何用控制和优化做得非常好，我正在努力将边界推回我们所知道的一切。"
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
公众号二维码