分享

伯克利的灵活机器手指——深度学习对接人工智能的应用演化

 好大水 2017-05-27


在加州大学伯克利分校的实验室里,一个看起来非常普通的机器人已经学会了抓取笨重、不规则物体。最让人吃惊的是,这项本领可是它自己在研究虚拟物体时掌握的!

 

图丨机器臂抓取不规则物体


通过对三维形状与控制力之间大数据的研究,机器人已经学到了如何抓取各种各样不同的物体。伯克利分校的研究人员将图像传输到有着深度学习能力的巨大神经网络上,并且该神经网络与已有的3D传感器相连。当一个新物体摆在机器人面前时,它的深度学习系统很快就能帮它找出抓取物体的方法。

 

相比以往的任何一代,该机器人的性能都远胜一筹。在测试中,当机器人判断有超过50%的把握将物体抓起来时,他就会闪电出手并做到“箭无虚发”;在98%的时间里,它能够晃动而不让物品掉落。当它没有百分百把握时,会拨弄物体改变其状态以找到更好的抓取方式。这样操作过后,机器人抓取物体的成功率高达99%,研究人员表示,新的方式相比过去向前迈了一大步。

 

一篇即将于7月机器人大会上发表的论文描述到,机器人新的学习模式以及它通过云访问信息的能力能够大大提升机器人在工厂和仓库中的操作技巧,甚至在医院或家庭这样的新场景中,也能扮演起重要的角色。

 

一直以来,许多科研人员都在研究如何让机器人通过反复练习,最终学会如何抓取并控制物体,但问题在于这个过程非常耗时。而相比与过去的任何系统,这款机器人的优势在于它并不需要反复练习。负责这项工作的加州大学伯克利分校教授肯·戈德伯格(Ken Goldberg)说:“虽然没有进行以往的试验,但是我们得到了更好的成果,这真的让我们非常兴奋。”

 

新的机器人不必在现实世界中进行练习,而仅需对超过一千个对象的数据集进行研究学习,包括对象的三维形状、视觉外观以及抓取它们的物理原理。这些数据可以用来训练机器人的深度学习系统。 博士后研究员杰夫·马勒(Jeff Mahler)说:“我们可以在一天左右的时间里为深层神经网络提供足够的训练数据集,而不需要在真正的机器人身上进行数个月的物理试验。”

 

Goldberg及其同事计划公开他们所创建的数据库,因为公共数据对于推进计算机视觉领域的技术至关重要,而三维数据集有望帮助机器人取得更大的进步。

 

专门从事机器人学习研究的布朗大学助理教授Stefanie Tellex将新的研究称为“大事件”,因为它将大大加快过去费力的机器学习方式。

 

Tellex补充道:“收集大量真实的机器人的数据是极其困难的,这篇文章的亮点在于它证明了模拟数据集与真正的真实的物理训练在机器人身上并无二致,并取得了巨大的成功”。


控制算法、机器学习方法以及新硬件的进步正在稳步地构建新一代机器人的运行基础。 这些系统将更广泛的应用于日常工作中。而事实上,由于人类不能维持长时间的工作,高性能的机器人早已经在生产线上应用了很长时间了

 

从事机器人研究的麻省理工学院教授罗特·泰德雷克(Russ Tedrake)表示,在增强机器人灵巧性的研究上,许多研究小组都取得了进展。并称加州大学伯克利分校的工作给他留下了非常深刻的印象,因为他们把新的机器学习方式和传统的结合了起来,并且在其中包含了对物体形状的推算。

 

未来,手指灵巧的机器人带来的巨大影响会显现在经济当中。尽管目前工厂的机器人已经能做到精确稳定,但在面对陌生的物体时却无能为力。包括亚马逊在内的许多公司,都在仓库里使用机器人,但这些机器人的功能也仅仅是移动货物,而非有目的的挑选。

 

图丨Ken Goldberg教授(左)和西门子研究组长Juan Aparicio(右)


加州大学伯克利分校的研究人员与西门子研究组长Juan Aparicio进行了合作。这家德国公司对于云机器人在相关制造技术的商业化表现出了非常大的兴趣。Aparicio说这项研究非常让人兴奋,机器手臂的可靠性为商业指出了一条清晰的道路。

 

机器灵巧性的提升对人工智能的发展也有着非常重要的意义。正如曾经手的灵巧性在人的智力演变中发挥的重要作用一样,它使得手与敏锐的视觉感官之间形成良性的反馈,并且大大增强了大脑的能力。综上所述,机器对实际物体更有效的操控想必也会为人工智能带来巨大的变革。

 


点击图片查看报名方式

    本站是提供个人知识管理的网络存储空间,所有内容均由用户发布,不代表本站观点。请注意甄别内容中的联系方式、诱导购买等信息,谨防诈骗。如发现有害或侵权内容,请点击一键举报。
    转藏 分享 献花(0

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多