3月27日消息，谷歌宣布重啟機器人計劃，重新考慮對復雜機器人技術的關注，這項新工作在谷歌被稱為Robotics。

2013年，谷歌花費了數(shù)千萬美元購買了美國和日本的六家機器人初創(chuàng)企業(yè)，包括兩個專門研究與人類相似的機器的團隊。但接下來的幾年里將收購的公司陸續(xù)變賣或關閉，波士頓動力公司被日本企業(yè)收購后仍在研制能像人或動物一樣移動的機器人。

目前機器人已經(jīng)在倉庫和工廠車間使用，但它們只能處理特定任務，例如拾取特定物體或轉(zhuǎn)動螺絲。谷歌希望機器能夠自主學習，使用人工智能為未來能夠?qū)W習投擲、滑動、旋轉(zhuǎn)、擺動、捕捉和其他運動技能的系統(tǒng)奠定基礎，這些技能目前對最有能力的機器都構(gòu)成了挑戰(zhàn)。

雖然這些機器可能不像人形機器人那樣引人注目，但谷歌的研究人員認為，內(nèi)在的更先進的技術使它們在現(xiàn)實世界中具有更大的潛力。谷歌正在開發(fā)這些機器人自主學習技能的方法，例如在一堆不熟悉的物體中準確抓取目標物，或者在一個充滿障礙物的倉庫中導航。

谷歌學生研究員Andy Zeng在博客中寫道：“盡管在使機器人能夠高效地抓取物體、視覺自適應甚至從現(xiàn)實世界中學習方面已經(jīng)取得了相當大的進步，但機器人操作仍然需要仔細考慮它們?nèi)绾问叭　⑻幚砗头胖酶鞣N物體——尤其是在非結(jié)構(gòu)化環(huán)境中。”但是仍不確定機器人是否能將動態(tài)變化形成物理直覺有效的完成任務。

Andy Zeng和他的同事們與普林斯頓、哥倫比亞和麻省理工學院的研究人員合作開發(fā)了拾取機器人TossingBot，這種機器人可以學習抓取物體，將物體扔進目標盒子里。它實現(xiàn)了兩倍的有效放置范圍，還可以通過自我監(jiān)督提高。

可預見性投擲對人類而言也非易事，抓握、姿勢、質(zhì)量、空氣阻力、摩擦力、空氣動力學以及無數(shù)其他變量會影響物體的軌跡。Andy Zeng指出，通過反復試驗對射彈物理進行建模是可能的，但計算成本高，需要大量時間，并且很難形成普遍的規(guī)律。

TossingBot 使用投射彈道模型來估計將一個物體送到目標位置所需的速度，并使用端到端的神經(jīng)網(wǎng)絡，來模擬生物神經(jīng)元的數(shù)學函數(shù)層，也就是通過從高架攝像機獲得的視覺和深度數(shù)據(jù)進行訓練，來預測在估計值之上的調(diào)整。這種混合方法使系統(tǒng)的投擲準確率達到85% 。

研究人員讓TossingBot首先嘗試錯誤的抓取，再教會機器人抓取正確物品，偶爾隨機讓TossingBot投擲沒有測試過的物體，變換測試速度進行訓練來提高其學習能力。經(jīng)過大約14個小時的10,000次抓握和投擲嘗試后，TossingBot可以在87%的時間內(nèi)牢牢抓住雜亂堆中的物體。

經(jīng)過一兩個小時的訓練，TossingBot 可以適應從未見過的地點和物品，如假水果、裝飾物品、辦公室物品。

Andy Zeng表示，TossingBot可能學會更多地依賴幾何線索(例如形狀)來學習抓握和投擲，這些新出現(xiàn)的特征是在沒有任何明確監(jiān)督的情況下從零開始學習的，超出了任務級別的抓取和投擲。但TossingBot足以區(qū)分對象類別(乒乓球和記號筆)。

TossingBot 還沒有用易碎物體進行過測試，它使用嚴格的視覺數(shù)據(jù)作為輸入，這可能妨礙了它在測試中對新物體做出反應的能力。但研究人員表示將物理學和深度學習結(jié)合起來的基本構(gòu)想是未來工作的一個有希望的方向。

關鍵詞：