為機械臂裝上大腦的深度學習系統，史上最靈活的機械臂長這樣

我們看過很多關於工業機器人的報道，它們替代人類的崗位，在車間靈活高效的完成各項工作，我們害怕又驚喜，暗自想像這樣的機器人長啥樣？可能是這樣達到吧：

GIF/1192K

它們的手臂關節和我們人類一樣，輕鬆勝任各項工作：

GIF/600K

然而，現實和理想的差距還是很大的。下面讓我們來看看，這個號稱史上最靈活的機械臂究竟長啥樣。

大多數人認為用手去抓取東西是一件非常簡單的事情，但事實並非如此。人的一隻手有20多個自由度，表面布滿的觸覺神經，人手的靈活性及對整個身體的重要性，在大腦看來其實是這樣的：

舉個例子：當人看見一個礦泉水瓶時，視覺上的感官和經驗告訴我們他是塑料的，我們會下意識的知道它大概多重重心在哪，抓取哪個位置會更合適……這些默會性知識，對人來說可能是自然而然發生的，對機器人卻難上加難。首先，它要識別被抓取的物體、選擇最優的抓取點、施加合適的力、使物體實現預期的行為……

所以從1980年左右，斯坦福大學做出第一個機械臂後到如今將近35年的歷史，幾個月前全球公認最好的機械臂也只不過如ABB的YuMi那樣，雙臂協作，可以裝配固定的零部件。

GIF/941K

但是近日，加州大學伯克利分校的研究人員，為YuMi機械臂研發出了一個超強大腦Dex Net 2.0。這個超強大腦讓YuMi有了自己的記憶庫：系統搭載深度學習網路，已經對虛擬圖書館資料庫中超過10000件三維物體進行了識別，並且當新物體出現的時候，機器人可以迅速通過深度學習系統，對物體進行識別，探究得出一種最佳的抓取方案，準確的對各種物體進行抓取。這個裝上深度學習大腦的雙臂機器人被稱作史上最敏捷的機器人。

GIF/330K

裝上大腦的機器人YuMi不再只能抓固定物體，它可以抓取任何形狀不規則的物體，實驗數據顯示，這個成功率可以高達98%。而且，當該款機器人實在難以找到相關數據，不能得出如何抓取形狀不規則物體的方案時，機器人會通過觸摸物體來更好的進行計算，選取最優的抓取方案。一旦機器人採取了觸摸的預處理，那麼它抓取並抬高物體的成功率將會達到99%以上。

GIF/407K

Dex Net 2.0項目的研究人員說：「Dex-Net 2.0的關鍵開發了結合物理學與深度學習的混合式的機器學習方法。它結合了大量3D對象形狀的數據集，基於物理學的抓取力學模型和採樣統計生成670萬個訓練示例，然後使用深度學習網路學習在給定3D感測器雲點時快速找到可靠的抓取函數的功能。它訓練了很多次可靠的抓取，類似於最近的計算機視覺和語音識別結果。」

項目的介紹人員稱，Dex-Net 2.0與任何3D相機和平行抓夾具都兼容，他們計劃發布「Dex-Net作為一項服務」，用於創建具有自定義3D模型的新資料庫，並計算出抓取的魯棒性指數。

雖然大多數人看起來這項功能很簡單，但其中艱辛也只有專業人員才懂吧，完整視頻如下：

GIF/535K

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！