重组机器人研究团队,这次重点是做软体

的机器人计画一直不怎么顺利。从 2013 年起就耗巨资,从美国和日本收购几家机器人新创,合併成名为「Replicant」的机器人计画,包括知名的波士顿动力公司(Boston Dynamics)。

但好景不长,原本负责机器人计画的 Andy Rubin 于 2014 年离开 ,加上波士顿动力的研发涉及军事,和 当初的民用构想不太符合。2017 年, 选择将波士顿动力转售给日本软银,机器人计画暂时陷入沉寂。

但 并未止步。据《纽约时报》和  AI 官方部落格, 内部重新集结原机器人计画工程师、研究人员,组成名为「Robotics at 」的团队,继续投入机器人研发。

区别在于,和波士顿动力研究的「双足步行」、「小狗」和「轮式」等仿生机器人不同,Robotics at 重点放在机器学习,相当于研发机器人系统和软体。

Robotics at 与普林斯顿、哥伦比亚及麻省理工几所学院研究人员合作,开发出名为「TossingBot」的物体分拣方案。

具体来说,可让机器人手臂从一堆繁杂的物体里正确拣物,再将物体投掷到相应格子。这对电商物流和零件组装等工业还是有实用价值。

不要小看这对人类来说很简单的动作,其实整套动作涉及物体辨识、分拣、拾取、抛投等,等于要机器人自己找到抓起每件物品的最佳方式。

研究人员也强调,单纯就「抛投」步骤,机器手臂就需具备多种物理知识,才可避免抛投出现失误。

以螺丝起子为例,握着柄抛投,和握着起子抛投,会出现不同抛物线,抛投距离自然不一样。

此外,抛投兵乓球所需的力度,与抛投一根香蕉显然也不同,不仅关係到对物体品质、摩擦力等因素的掌控,也涉及对抛投距离及现场环境的理解。

Robotics at 团队的做法,是将深度学习和物理学混合运用,使用端到端的神经网路训练机器手臂,做到随机环境下的分拣处理。

这意味着哪怕机器手臂碰到完全陌生的物体,比如说把木块换成水果,也有应对方案。

照 Robotics at 的说法,最开始 TossingBot 对一箩筐的物体还有些迟钝,但经过约 14 小时、总计 1 万次抓取和投掷尝试训练后,已达 87% 以上的分拣成功率和 85% 以上的投掷成功率。

现在,它每小时可拣货超过 500 个物体,弹性、回应速度都比最先进的分拣货系统快 2 倍,也证明机器学习训练确实能帮助机器人更快掌握某项技能。

研究人员也表示,这套方案非常适合在物流仓储和配送中心大量部署,像亚马逊这类电商公司对分拣机器人的要求往往更高。

不过,将自动化机器人运用到仓储已不算新鲜事。去年 10 月,日本优衣库就曾展示机器人仓储,就是由机器人取代人力做分拣,达成 24 小时连续执行;亚马逊、沃尔玛和联邦快递等也尝试将行动机器人运用在搬运工作。

不过,目前大多数机器人只能解决特定场景操作,不擅长应付不同形状的物体,这也是现在 TossingBot 希望解决的问题。

理想状态下,人们自然希望机器人靠自学就能做更多工作,而不是每次都要先来一轮预先程式设计。

(本文由 爱范儿 授权转载;图片来源: AI)

延伸阅读:

DHL 2019 年将投资 3 亿美元,为仓库增设 4 倍机器人 优衣库的新仓储,用机器人取代 90% 员工