AI 技术进步之下,机器人看似已有非常大的长进,但其实机器人展现出来的能力都是透过一遍一遍不断练习的熟练度累积而成,当面对与练习不同的情况,即使只有些微差异,对机器人来说都是完全另一回事。
这种情况在机器手臂拾取放下物品时尤其常见。尽管有些可在物体间基本区别,但它们通常难以理解物体形状、大小,更别提要将其移动到不同位置。
麻省理工教授 Russ Tedrake 指出,虽然目前机器人看似可拾起任何物体,但如果是未曾见过的物体,它们实际上无法找到任何可行的方式将其妥善放下。
“当你在 YouTube 观看机器人影片时,你应该仔细观察机器人没有做什么”。
要扩大机器人能做的范畴,首要条件便是让机器人“理解”对象的特殊之处。为此,MIT 电脑科学与人工智能实验室(CSAIL)团队开发出称为“KPAM”(Keypoint Affordance Manipulation)的软件,让机器人学会拾取放下人眼中没有太大不同、对机器来说却是完全不同类型的东西。
过去机器手臂主要运用基于几何学的算法,估计物体的位置和方向来抓住东西,但 CSAIL 研究人员认为这种方式应用上给予手臂很大的限制,特别是面对形状各异的物体并试图灵巧放下时。
而在 KPAM,团队让系统把对象视为“3D 关键点”的集合,透过关键点让机器人获得如何处理对象所需的所有资讯。与过去方法不同,关键点让机器人自然处理有些微差异的特定类型对象,CSAIL 只需要提供对象的一组关键点,KPAM 便会解释为坐标并抓取。
以马克杯为例,团队只要提供杯子中心、底部和手把中心 3 个关键点,KPAM 系统便能拾取各式各样的杯子,而透过提供 6 个关键点,科学家便能让机械手臂拾取从拖鞋到靴子等 20 多种不同鞋子。
团队相信 KPAM 能提供机器人更大的灵活性。Tedrake 认为,KPAM 只需稍微了解对象关键点的位置,便能完成各种有用的操作任务,这种特殊的表现形式正好和最先进的机器学习感知、计划算法完美结合。
透过进一步努力,团队希望改进 KPAM 技术,以便执行更广泛的任务,像是拆开洗碗机或清洁厨房柜台。考量到机器人的工作学习能力,可想见 KPAM 将协助机器人更快成为工厂和其他环境中大型操作系统的一部分。
- MIT’s robotic system can pick up items it has never encountered before
(图片来源:MITCSAIL)