伯克利的靈活機器手指——深度學習對接人工智慧的應用演化

在加州大學伯克利分校的實驗室里，一個看起來非常普通的機器人已經學會了抓取笨重、不規則物體。最讓人吃驚的是，這項本領可是它自己在研究虛擬物體時掌握的！

圖丨機器臂抓取不規則物體

通過對三維形狀與控制力之間大數據的研究，機器人已經學到了如何抓取各種各樣不同的物體。伯克利分校的研究人員將圖像傳輸到有著深度學習能力的巨大神經網路上，並且該神經網路與已有的3D感測器相連。當一個新物體擺在機器人面前時，它的深度學習系統很快就能幫它找出抓取物體的方法。

相比以往的任何一代，該機器人的性能都遠勝一籌。在測試中，當機器人判斷有超過50%的把握將物體抓起來時，他就會閃電出手並做到「箭無虛發」；在98%的時間裡，它能夠晃動而不讓物品掉落。當它沒有百分百把握時，會撥弄物體改變其狀態以找到更好的抓取方式。這樣操作過後，機器人抓取物體的成功率高達99%，研究人員表示，新的方式相比過去向前邁了一大步。

一篇即將於7月機器人大會上發表的論文描述到，機器人新的學習模式以及它通過雲訪問信息的能力能夠大大提升機器人在工廠和倉庫中的操作技巧，甚至在醫院或家庭這樣的新場景中，也能扮演起重要的角色。

一直以來，許多科研人員都在研究如何讓機器人通過反覆練習，最終學會如何抓取並控制物體，但問題在於這個過程非常耗時。而相比與過去的任何系統，這款機器人的優勢在於它並不需要反覆練習。負責這項工作的加州大學伯克利分校教授肯·戈德伯格（Ken Goldberg）說：「雖然沒有進行以往的試驗，但是我們得到了更好的成果，這真的讓我們非常興奮。」

新的機器人不必在現實世界中進行練習，而僅需對超過一千個對象的數據集進行研究學習，包括對象的三維形狀、視覺外觀以及抓取它們的物理原理。這些數據可以用來訓練機器人的深度學習系統。 博士后研究員傑夫·馬勒（Jeff Mahler）說：「我們可以在一天左右的時間裡為深層神經網路提供足夠的訓練數據集，而不需要在真正的機器人身上進行數個月的物理試驗。」

Goldberg及其同事計劃公開他們所創建的資料庫，因為公共數據對於推進計算機視覺領域的技術至關重要，而三維數據集有望幫助機器人取得更大的進步。

專門從事機器人學習研究的布朗大學助理教授Stefanie Tellex將新的研究稱為「大事件」，因為它將大大加快過去費力的機器學習方式。

Tellex補充道：「收集大量真實的機器人的數據是極其困難的，這篇文章的亮點在於它證明了模擬數據集與真正的真實的物理訓練在機器人身上並無二致，並取得了巨大的成功」。

控制演算法、機器學習方法以及新硬體的進步正在穩步地構建新一代機器人的運行基礎。 這些系統將更廣泛的應用於日常工作中。而事實上，由於人類不能維持長時間的工作，高性能的機器人早已經在生產線上應用了很長時間了。

從事機器人研究的麻省理工學院教授羅特·泰德雷克（Russ Tedrake）表示，在增強機器人靈巧性的研究上，許多研究小組都取得了進展。並稱加州大學伯克利分校的工作給他留下了非常深刻的印象，因為他們把新的機器學習方式和傳統的結合了起來，並且在其中包含了對物體形狀的推算。

未來，手指靈巧的機器人帶來的巨大影響會顯現在經濟當中。儘管目前工廠的機器人已經能做到精確穩定，但在面對陌生的物體時卻無能為力。包括亞馬遜在內的許多公司，都在倉庫里使用機器人，但這些機器人的功能也僅僅是移動貨物，而非有目的的挑選。

圖丨Ken Goldberg教授（左）和西門子研究組長Juan Aparicio（右）

加州大學伯克利分校的研究人員與西門子研究組長Juan Aparicio進行了合作。這家德國公司對於雲機器人在相關製造技術的商業化表現出了非常大的興趣。Aparicio說這項研究非常讓人興奮，機器手臂的可靠性為商業指出了一條清晰的道路。

機器靈巧性的提升對人工智慧的發展也有著非常重要的意義。正如曾經手的靈巧性在人的智力演變中發揮的重要作用一樣，它使得手與敏銳的視覺感官之間形成良性的反饋，並且大大增強了大腦的能力。綜上所述，機器對實際物體更有效的操控想必也會為人工智慧帶來巨大的變革。