機(jī)器人抓取一直是業(yè)界的一大難題，最近，澳大利亞昆士蘭科技大學(xué)的機(jī)器人學(xué)家們開發(fā)出了一種新的方法，讓機(jī)器人可以更快、更準(zhǔn)確地抓取物體，包括混亂和多變的環(huán)境中，這可能會提高其在工業(yè)和家庭環(huán)境中的實(shí)用性。

新的方法是基于生成式抓取卷積神經(jīng)網(wǎng)絡(luò)，允許機(jī)器人快速掃描環(huán)境，并使用深度圖像映射其捕獲的每個像素，提升抓取質(zhì)量。經(jīng)過現(xiàn)實(shí)世界的測試，其在動態(tài)環(huán)境中的抓取準(zhǔn)確率已經(jīng)達(dá)到88%，而在靜態(tài)環(huán)境中的抓取準(zhǔn)確率更是高達(dá)92%。

昆士蘭科技大學(xué)的Jurgen Leitner博士表示，對于人類來說，抓取物體只是一個非常簡單的基本任務(wù)，但對于機(jī)器人來說卻非常困難，幾乎是個不可能完成的任務(wù)。

Leitner說，“在非常受控的環(huán)境中，我們可以編程讓機(jī)器人去抓取某種特定的物件。然而，目前機(jī)器人抓取系統(tǒng)的一個主要缺點(diǎn)是無法快速適應(yīng)變化，例如當(dāng)物體移動時?！?/p>

他還表示，“世界是不可預(yù)測的，事物在不斷發(fā)生變化、移動且混亂，而且往往會在沒有任何警告的情況下發(fā)生，所以機(jī)器人需要能夠在非結(jié)構(gòu)化的環(huán)境中適應(yīng)和工作，如果我們希望它們有效的話?！?/p>

為此，由Leitner領(lǐng)導(dǎo)的團(tuán)隊首先開發(fā)了一個人工神經(jīng)網(wǎng)絡(luò)（一種基于人工智能的系統(tǒng)，讓計算機(jī)通過分析示例來學(xué)習(xí)任務(wù)）。通過使用該網(wǎng)絡(luò)和深度測繪相機(jī)，雙指抓取機(jī)器人隨后能夠制作位于其前方的移動且雜亂的物體集合的逐像素深度圖，然后確定最佳抓取方法用于抓取這些物體中的任何一個。這是一種實(shí)時的、對象無關(guān)的閉環(huán)綜合抓取方法。

Leitner的團(tuán)隊成員還包括博士研究員Douglas Morrison和昆士蘭科技大學(xué)科學(xué)與工程學(xué)院的杰出教授Peter Corke。

Morrison說，“生成式抓取卷積神經(jīng)網(wǎng)絡(luò)方法通過預(yù)測每個像素處的雙指抓握的質(zhì)量和姿態(tài)來工作。通過在一次掃描中使用深度圖像映射它前面的內(nèi)容，機(jī)器人在做出決定之前不需要采樣許多不同的可能抓握，避免了漫長的計算時間?！?/p>

“在我們的實(shí)際測試中，我們對一組以前未見過的幾何物體的抓取成功率為83％，對一組移動的家居物體的抓取成功率為88％。我們在抓取動態(tài)混亂的物體成功率為81%?！?/p>

Leitner博士說，這種方法克服了目前深度學(xué)習(xí)抓取技術(shù)的一些局限性。

他說，“舉個例子，在2017年的亞馬遜抓取挑戰(zhàn)賽中，我們贏得了冠軍。我們的機(jī)器人CartMan先查看一堆物品，然后做出決定哪里是抓取一個物品的最佳位置，然后盲目地去嘗試抓取它?！?/p>

他表示，“使用這種新方法，我們可以在大約20毫秒內(nèi)處理機(jī)器人查看的對象的圖像，這允許機(jī)器人更新其關(guān)于抓取物體的位置的決定，然后可以更大膽去做。這在雜亂的空間中尤為重要?！?/p>

Leitner博士表示，這些改進(jìn)對于工業(yè)自動化和家庭環(huán)境是有價值的。

Leitner博士說，“這項(xiàng)研究使我們能夠使用機(jī)器人系統(tǒng)，而不僅僅是在基于機(jī)器人能力構(gòu)建整個工廠的結(jié)構(gòu)化設(shè)置中。它還允許我們抓取非結(jié)構(gòu)化環(huán)境中的對象，其中事物沒有被完美地規(guī)劃和排序，并且機(jī)器人需要適應(yīng)變化。這對于工業(yè)非常有利，不管是在線購物的倉庫分類，還是水果采摘。它也可以應(yīng)用在家里。因?yàn)楝F(xiàn)在智能機(jī)器人越來越多，不僅僅是掃地或拖地，而且還可以拾取物品并將其收拾好。”