麻省理工學院的突破使機器人能夠使用整個身體來操縱物體

接觸豐富的操縱計劃的挑戰

用整個身體操縱物體對機器人來說是一個巨大的挑戰。他們必須考慮到手指、手、手臂和軀幹的每次觸摸對像上數十億個潛在的接觸點。這個過程被稱為“富含接觸的操縱規劃”，其計算成本很高，並且一直是實際應用的瓶頸。人類憑直覺管理這些任務，但對於機器人來說它們變得極其複雜。

解決方案

為了簡化問題，麻省理工學院的研究人員開發了一種基於“平滑”的新人工智能技術，該技術將大量的接觸事件壓縮為更小、更易於管理的決策集。這項創新甚至允許基本算法高效地為機器人設計有效的操縱計劃。 

麻省理工學院研究生、《IEEE 機器人學彙刊》上發表的論文的共同主要作者 HJ Terry Suh 表示：“平滑平均消除了許多不重要的中間決策，留下了一些重要的決策。”

強化學習與平滑

雖然強化學習可以有效地幫助機器人執行複雜的任務，但它需要巨大的計算能力和時間。Suh 表示，它通過反複試驗的“黑匣子”系統進行學習，通常需要“數百萬年的模擬時間”才能發揮作用。 

然而，平滑提供了另一種選擇。通過仔細理解模型和問題，研究人員能夠提高流程效率。平滑使機器人能夠專注於與物體的核心交互，從而實現更快、更有效的任務規劃。

實現效率和組合方法

儘管通過平滑技術取得了進步，但即使決策數量減少了，搜索仍然是一個挑戰。然後，研究人員將平滑模型與搜索算法結合起來，將標準筆記本電腦上的計算時間減少到大約一分鐘。

該團隊在模擬和真實的機械臂上測試了他們的方法，取得了與強化學習相當的性能，但所需時間卻很短。

應用及前景

這項研究的意義是巨大的。在工業環境中，工廠可以用更小、移動性更強的機器人取代大型機械臂，這些機器人使用整個身體來執行操作任務，從而減少能源消耗和成本。 

此外，該技術對於發送到火星或其他天體的探索機器人來說可能具有無價的價值，因為在這些天體中，快速適應新環境至關重要。

然而，研究人員承認處理動態任務的局限性，例如機器人將物體扔進垃圾箱的能力。該團隊計劃進一步完善他們的方法來應對這些挑戰。

Suh 強調，如果我們能夠使用模型來利用此類機器人系統的結構，而不是將其視為“黑匣子”系統，就有機會加速整個過程。 

亞馬遜、麻省理工學院林肯實驗室、國家科學基金會和 Ocado Group 為這項工作提供了部分資助。隨著麻省理工學院的機器人操縱技術不斷發展，它們為各個領域的機器人技術開闢了新的可能性，證明對問題的深入理解可以帶來創新的解決方案。

有了這些進步，像人類一樣直觀地操縱物體的機器人可能離現實並不遙遠。