近日,谷歌机器人部门的科学家表示,他们已经打造出了对物理定律拥有“直观理解”的机器人。这个名为Tossingbot的机器人学会了抓取各式各样的物体,并将它们准确地投掷到超出其所能触及范围之外的盒子中。


  能够有预测性地将物品投掷到指定位置并不是一件容易的事情,物品的形状、大小、重量,抓握物体的姿势,空气摩擦,投掷力度等因素都可能会影响到物品投掷的轨迹。如果是连续投掷随机物品,那么准确率将会更低,因为投掷者需要在脑中迅速转换对物体重量以及投掷力度的判断。

  对于人类来说,想要准确投掷需要大量的练习,而对机器人来说,不光需要大量的练习,可能还需要一点“物理直觉”。

  “物理直觉”这个词是谷歌研究院Andy Zeng在他的一篇博客中提到的。他说,目前机器人已经在高效抓取物体、视觉自适应、经验学习等方面取得了很大的进步,但在操作时仍然需要仔细考虑如何拾取和放置物体。“所以,机器人能不能学会有利地使用动力学,培养出一种物理‘直觉’,从而让它们更有效地完成任务?”

  Tossingbot就是Zeng和同事们为了回答这个问题而开发出的投掷机器人。普林斯顿、哥伦比亚和麻省理工学院的研究人员也参与到了这个项目中。

  Tossingbot利用射弹弹道学来估计物体落到目标点所需的投掷速度,并使用神经网络预测基于物理估算的调整,以应对可能出现的未知动态。研究人员将这种混合方案称为“Residual Physics”,也就是Zeng所希望的“物理直觉”。

  训练刚开始时,Tossingbot的抓取并不那么准确,经常抓空或抓不牢。

  在反复尝试后,它逐渐学会了使用更好的方式来进行抓取,提高了准确性的同时,它还会偶尔尝试一下用从未尝试过的速度投掷物体,以观察之后会发生什么。

  在训练过程中,发生了一件很有趣的事情。研究人员在Tossingbot面前放了一把螺丝刀,第一次,机器人抓住螺丝刀的中部,准确地抛到了桌子上。

  而第二次,它抓住的是螺丝刀较细的前端,所以以同样的力度抛出后,螺丝刀被扔到了更远的位置。

  这种投掷结果会被标记为“不准确”,因此,在之后的训练中,Tossingbot会更频繁地抓取这类物体靠近重心的中部,而非细长的前端。

  Tossingbot的学习能力很强,它能够举一反三地辨认出物品的种类,而非单纯地标记某一个物品。

  例如,在Tossingbot进行视觉观察的RGB-D图像中,将粉色的马克笔标记为高亮。

  然后Tossingbot就自动将所有颜色的马克笔标记为了高亮。

  这就意味着,Tossingbot非常擅长于辨认物体的几何形状,或许也能够认识到物体的物理性质。

  在经过大约14小时10,000次抓取和投掷后,机器人最终能够实现85%的投掷准确度,以及在杂乱物体环境中87%的抓取可靠性。并且它能够很好地适应从未在训练中出现过的物品,例如假水果、装饰物等,也能够很好地适应从未训练过的投掷位置。

  比如像这样,以左下角的×××区域为标记点,训练Tossingbot进行投掷。随后,切换成从未训练过的蓝色区域,标记为投掷区,Tossingbot依然能够准确地投进。

  最有意思的一点是,在训练过程中,如果面前盒子里的玩具快要没了,Tossingbot还会把训练用的隔板掀起来,把玩具倒回盒子里,继续训练。

  下面是Tossingbot学习抓取及投掷的技术讲解视频:

  目前,Tossingbot每小时能拾起超过500件物品,最远投掷距离大约在两米左右。不过,这一切都是建立在“被投掷物品足以承受落地碰撞”的前提下进行的,也就是说,研究人员并未使用Tossingbot进行过易碎物品的抓取与投掷。郑州包皮手术医院×××:http://www.tongji120.com/

  尽管如此,研究人员认为,目前的Tossingbot可以用来放置人们并不关心的、或者不怕摔的物品,例如在时间紧迫的灾难现场中,碎片清理这样的活计就可以交给它来干了。

  不用设定机器人动作的每一个程序,而是交由机器人自己通过反复实践,从经验和错误中进行学习。或许对于通用智能机器人来说,减少人为干预,让它们自己进行学习就是最好的方式。

  Tossingbot的出现也正将机器人导向一个有趣的领域:动态操纵。就像Zeng说的那样,动态操纵目前仍然是机器人技术中研究严重不足的一个领域,如果能够深入地研究该领域的应用,也许就能激发出其提高机器人效率的巨大潜力。