Google的AI教会机器人学会了新的技能

（文章来源：教育新闻网）
       谷歌和加州大学伯克利分校的研究人员在本周在预印本服务器Arxiv.org上发表的两篇论文中描述了新的AI和机器学习技术，这些技术使机器人能够适应从未见过的任务并抓住被遮挡的物体。第一项研究详细介绍了X射线，该算法在部署到机器人上时可以搜索对象的堆以掌握目标对象，而第二项研究则提出了一种策略适应技术，可以“教”机器人技能，而无需从头开始进行模型训练。

抓机器人是一个非常困难的挑战。例如，机器人努力执行所谓的“机械搜索”，即当他们不得不从一堆其他对象中识别并拾取一个对象时。大多数机器人不是特别适应性强，并且缺乏足够功能强大的AI模型来指导机械手进行机械搜索。X射线和策略调整步骤可以构成产品包装系统的基础，该产品包装系统可以在无需人工监督的情况下发现，拾取和放下各种物体。

有关X射线的研究的合著者指出，由于缺乏合适的模型，机械搜索(在大量对象中找到对象)仍然具有挑战性。X射线结合了遮挡推断和假设预测来解决该问题，它可用来估计与对象最相似的边界框(对象周围矩形边框的坐标)的占用率分布，同时考虑各种平移和旋转。

X-Ray假定堆中至少有一个完全或部分被未知对象遮挡的目标对象，并且每个时间步最多可以抓取一个对象。以RGB图像和目标对象为输入，它可以预测场景的占用率分布和分割蒙版，并计算几种潜在的抓握动作，以最高的成功概率执行该动作。为了训练和验证X射线，研究人员生成了10,000个增强深度图像的语料库，这些图像标记有矩形框目标对象的对象占用分布。他们从Thingiverse上的1296个3D CAD模型的开放源数据集中进行采样，选择了10个大小相同，体积较小但厚度较小的盒子目标，因此它们更有可能被遮挡。这使他们总共获得了100,000张图像。

在这10,000张图片中，约有8,000张被保留用于培训，其余的则留作测试。使用一千个包含模拟对象(盖子，多米诺骨牌和长笛)的其他图像来评估X射线对看不见的形状，对象，长宽比和比例尺的概括。在涉及带有吸盘和平行颚式抓爪的真实ABB YuMi机器人的物理实验中，研究人员要求X射线将物体装满垃圾箱，然后将垃圾箱倾倒在目标物体的顶部。在最初包含25个对象的堆中，系统在20次试验中以5个动作的中位数提取了目标对象，成功率为100%。

合著者将精力放在未来的工作上，以提高X射线的训练效率，并分析数据集大小以及用于生成训练分布的平移和旋转次数的影响。他们还计划根据目标对象可见性的奖励来探索强化学习策略。

在这两篇论文的最新文章中，合著者试图开发一种能够不断适应新的现实环境，物体和条件的系统。与大多数机器人相反，后者仅需训练一次即可部署，而适应能力却很少。研究人员对机器学习模型进行了预训练，以在608,000次尝试抓取的语料库中抓取一系列对象，然后他们执行的任务是使用向其起始位置右移10厘米的抓手抓取对象。系统练习了一段时间(经过800次尝试)并将这些尝试记录到新数据集(目标数据集)中之后，新尝试在50%的时间内与原始数据集进行了混合，调整模型。

在五个不同的场景中重复了这些步骤-预训练，尝试新任务和微调。一方面，刺眼的光线阻碍了机器人的摄像头。在另一种情况下，棋盘图案的背景使模型难以识别对象。最后，实验人员让机器人抓住训练中看不到的透明瓶子(众所周知，透明物体很难抓住机器人，因为它们有时会混淆深度传感器)，并捡拾坐在高反射金属板上的物体。

研究人员报告说，在实验中，该模型成功地在苛刻的灯光下63%的时间，透明瓶子的74%的时间，棋盘垫板的时间的86%的时间，抓手扩展的88%的时间成功地捕获了物体，和91%的时间使用偏置夹持器。而且，他们说，机器人适应新情况只需要花费1-4个小时的练习时间(相比之下，学习如何掌握的时间大约为6,000个小时)，并且性能不会随着所适应的模型而降低。
      （责任编辑：fqj）