“机械手臂进化之路：距离像人手一样灵活还有多远”

本篇文章2224字，读完约6分钟

本文由本智能实验室(公众号smartman163 )制造。 聚焦ai，阅读下一个大时代！

【本智能信8月3日报道】虽然一只机械臂和五只机械手还没有达到和人类一样的灵活性，但是在世界顶级的人工智能实验室中，已经接近制造可以模仿实际人手的机械臂。

旋转

埃隆·马斯克和其他硅谷知名人士共同建立的openai研究所，制造了一个叫dactyl的机械臂。 看起来像最新星球大战电影里卢克·天行者的机械假人。 那个机器的手指可以像人的手指一样弯曲和拉伸。

你可以让dactyl看到字母积木的某一面，比如红色的o，橙色的p或者蓝色的I。 这给你看，用灵活的方法旋转、扭转、翻转积木。

图: dactyl机械手展示字母积木( 2倍速播放)

这对人类来说很简单，但对机器来说是了不起的成果。 机械臂的dactyl自己学习如何完成这个任务。 研究者利用数学的方法让dactyl学习，他们相信通过训练可以让机械臂和其他机器完成更复杂的任务。

图: dactyl操纵器( 1倍速播放)

这个灵巧的手臂代表了这几年机器人研究的巨大飞跃。 但直到最近，研究者们才努力用更简单的机械臂来掌握更简单的任务。

抓住

该系统由加州大学伯克利分校的机器人实验室autolab的研究人员制作，几年前代表了技术的局限性。 机器上有两根手指的“钳子”，可以举起螺丝刀或钳子之类的东西，将它们分类到不同的容器中。

图: autolab开发的机械手( 2倍速播放)

钳子比五个手指更容易控制，制作操作夹钳所需的软件也不太困难。 可以解决不熟悉的物体。 例如，你可能不知道什么是餐厅式番茄酱瓶，但我知道瓶子的形状和螺丝刀很像。 但是，如果这台机器面对的东西和之前面对的东西不同，比如塑料手镯，可能就不太好解决了。

图: autolab开发的机械手( 2倍速播放)

拾取器

每个人都希望有一个机器人去捡东西，包括从未见过的东西。 这是其他autolab的研究者在这几年里确立的机器人。

图: autolab开发的机械手( 2倍速播放)

这个系统仍然采用简单的硬件:夹子和吸盘。 从剪刀到塑料玩具恐龙，可以捡各种各样的随机东西。

:机械手拾取( 2倍速播放)

这个系统是由于机器学习的巨大进步。 伯克利的研究人员对1万多个物体的物理模型进行了建模，明确了各个物体的主要选择。 然后，系统利用神经网络算法分析了所有这些数据，学到了识别各个物品的最佳方法。 过去，研究者必须对机器人进行编程，以完成所有任务。 但是现在，你可以自己学习这些任务。

:机械手拾取( 2倍速播放)

面对塑料的尤达玩具，系统会意识到它应该用钳子捡玩具。 遇到番茄酱瓶的时候，我会抽杯子。 这个机械手成功地拾取了多个随机的东西。

:机械手拾取( 2倍速播放)

虽然不完美，但是系统可以自己学习，所以比以前的机器进步得快很多。

:机械手拾取( 2倍速播放)

铺床

伯克利的研究人员利用最新的机器学习技术，整合了只需要两周就能卧铺的机器人系统。 这个机器人可能还不能完美地完成医院的工作，但它已经代表了显著的进步。

图:机器人模拟卧铺( 2倍速播放)

现在，只要分析数据，这个系统就可以在短时间内学习卧铺。 学习时，睡台中的所有动作都会被分解。

图:机器人模拟卧铺( 2倍速播放)

移动

在伯克利的bair研究所，另一个系统应用了其他的学习方法。 这个机械臂可以用夹子移动物体，预测其位置。 这意味着你和我一样可以把玩具移到桌子上。

图:机器人移动物体( 2倍速播放)

该系统通过分析大量视频图像来学习这种行为，这些图像展示了物体是如何移动的。 通过这样的方式，可以解决这种任务带来的不明确性和一些意想不到的动作。

图:机器人移动物体( 2倍速播放)

未来

这些都是简单的任务，而且机器只能在特定的条件下解决它们。 失败的次数并不比成功的次数少。 但是，驱动这些系统的机器学习方法表明在今后几年内将继续取得巨大的进步。

和openai的研究者一样，华盛顿大学的研究者正在训练与人类具有相同手指和关节的机械臂。

图:研究人员正在训练机械臂( 2倍速播放)。

这比训练夹钳和吸盘要难得多，所以模拟人类的手应该可以通过各种方法移动。 因此，华盛顿的研究者通过模拟周围的环境来训练机械臂。

图:研究人员正在训练机械臂( 2倍速播放)。

在openai，研究人员用同样的方法训练dactyl机器人。 该系统在旋转字母积木的过程中积累了约100年的训练经验。 这个数字模拟在千万个计算机芯片上运行，可以把训练时间压缩到两天。 通过反复试验学习这些任务。 一旦了解了模拟时的业务原理，就可以将这些知识应用到现实世界中。

图:研究人员正在训练机械臂( 2倍速播放)。

许多研究者怀疑这种模拟训练是否能把成果停留在理论层面上，但像伯克利和其他实验室的研究者一样，openai团队解释了这一点。 他们在模拟训练中引入了一定的随机性。 改变了手和木片之间的摩擦力，改变了模拟的重力。 在模拟的世界里，学习解决这个随机性，机械手可以解决现实世界的不确定性。

今天，dactyl只是旋转块，但研究人员正在寻找将这些技术应用于更多复杂任务的方法。 比如制造业，无人驾驶飞机，甚至无人驾驶汽车。

(选择: new york times编译:本智能参与:李擎)

关注本智能公众号( smartman163 )，为了解读ai行业大企业的大事，新的观点得到了新的应用。

来源：安莎通讯社