新智元編譯

來源：MIT

編譯：克雷格

【新智元導讀】最近，由MIT和普林斯頓大學研究人員開發一款名為「拾放（pick-and-place）」的系統。「拾放」系統由一個標準的工業機器人手臂組成，研究人員配備了一個定製的抓手和吸盤。 他們使用演算法讓機械手能夠評估一堆隨機物體，並確定在雜物中抓取或吸附物品的最佳方式，而不必在拾取物體之前了解物體。

拆包雜貨是一項簡單且單調的任務：你伸手去拿一個包，摸一下物品，然後把裡面的東西拿出來，掃了一眼之後再決定把它存儲在哪裡。

現在，這個重複性的工作要被機械手代替了。

最近，麻省理工學院和普林斯頓大學的工程師們開發出了一種機器人系統，能夠協助完成挑選和分揀任務，在從倉庫產品組織到清理災難區域的碎片等各項任務中都將有用武之地。

下面就是這個機械手的介紹

該團隊開發的名為「拾放（pick-and-place）」的系統由一個標準工業機器人手臂組成，研究人員配備了一個定製抓手和吸盤。他們開發了一種「物體不可知（object-agnostic）」的抓取演算法，使機器人能夠評估一堆隨機物體，並確定在雜物中抓取或吸附物品的最佳方式，而不必在拾取物體之前了解物體。

一旦它成功抓住了一件物品，機器人將其從箱子中取出。然後一組攝像機從不同角度拍攝物體圖像，並藉助新的圖像匹配演算法，機器人可以將抓取物體的圖像與其圖像庫進行比較以找到最接近的匹配。通過這種方式，機器人識別物體，然後將其收藏在另一個單獨的箱中。

一般來說，機器人遵循「先抓後抓」的工作流程，與其他拾放技術相比，這是一個有效的順序。

「這可以應用於倉庫分揀，也可以來從你的廚櫃里撿東西或清除事故發生後的雜物。這個拾放系統能應對很多種情況。」MIT Walter Henry Gale職業發展教授Alberto Rodriguez說。

Rodriguez及其在麻省理工學院和普林斯頓大學的同事將於5月份的IEEE上發表一篇詳細介紹其系統的論文。

建立包含成功和失敗案例的資料庫，並整合進深度神經網路

現有的系統通常只能在嚴格控制的環境中工作，但「拾放」技術擺脫了這種束縛，因而可能有很多用途。

今天，大多數工業機械手都是為了一個特定的重複性任務而設計的，比如將汽車零件從裝配線上抓下來，始終採用相同的、精心校準的方向。然而，Rodriguez正在努力將機器人設計成更靈活、適應性更強和更智能的採集器，它將適用於零售倉庫等非結構化的設置場景。在這種情況下，機械手可能會一直遇到並且必須排列數百甚至數千個混亂的新物體。

該團隊的設計基於兩項一般性操作：1、挑選—成功抓取對象的行為。2、感知—識別和分類對象的能力。

研究人員訓練機機械手從雜亂的垃圾箱中挑選新物體，使用以下四種主要抓取行為中的任意一種：垂直或從側面吸附到物體上；像在街機遊戲中的抓爪一樣垂直抓住物體；或者對與牆壁平行的物體垂直夾持，然後使用鏟子在物體和牆壁之間滑動。

Rodriguez和他的團隊展示了機器人收集的圖像，這些圖像現實的物體雜亂無章，然後他們向機器人展示了哪些物體可以抓取，哪些是四種主要的抓取行為，並將每個抓取動作標記為成功或失敗，最後，研究人員建立了一個挑選成功和失敗的案例資料庫，並將這個庫合併到一個「深度神經網路」中，使機器人能夠根據其成功和失敗的庫，將其當下面臨的問題與過去的成功結果進行匹配。

「我們開發了一個系統，通過查看充滿物品的手提箱，機器人知道如何預測哪些是可抓取或可抽吸的，以及這些抓取行為利用哪種配置可能成功。」Rodriguez說。 「一旦它進入抓手，物體就更容易被識別，沒有任何混亂。」

從像素到標籤：以100％的精度識別新物體

研究人員以類似的方式開發了一種感知系統，使機器人能夠在成功抓住物體後識別和分類物體。

他們首先開發一個從在線資源（如零售商網站）獲取的產品圖像庫，隨後用正確的標識標記每個圖像，然後開發另一種學習演算法，將給定圖像中的像素與給定對象的正確標籤相關聯。

「我們正在教機械手比較東西，對於人類來說，可能很容易識別，但實際上，作為像素，機器人看起來可能顯著不同。」Rodriguez說，「我們確保這個演算法適合這些訓練樣例。希望我們已經給了它足夠的訓練樣例，這樣當我們給它一個新的對象時，它就會預測正確的標籤。」

去年7月，該團隊將這台重達2噸的機械手運往日本，一個月後，他們在那裡參加了亞馬遜機器人挑戰賽。最後，團隊研發的這個機械手在使用吸力吸取物體時的成功率為54％，使用抓取時的成功率為75％，並且能夠以100％的精度識別新物體。機器人還在規定的時間內存放了所有20個物體。

Rodriguez最近還獲得了亞馬遜研究獎，並將與亞馬遜合作進一步改進「拾放」系統的技術，特別是其速度和反應性。

「在非結構化環境中進行抓取是不可靠的，除非增加一定程度的反應性。」Rodriguez說，當人類抓取時，我們會對物品進行小幅調整。弄清楚如何做出這樣的調整，我認為是關鍵技術之一。

目前，該團隊已經採取了一些步驟實現這一目標。他們為機器人的抓手添加觸覺感測器，並通過新的培訓體系運行系統。

「機械手現在具有觸覺感測器，並且我們已經啟用了一個系統，機器人一整天都在不斷地從一個地方到另一個地方撿東西。」Rodriguez說。

鏈接：

http://news.mit.edu/2018/robo-picker-grasps-and-packs-0220

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！