人工智慧幫助機器人全身操控物體
簡介
想像一下，你想要將一個笨重的大箱子搬上樓梯。你可能會將手指張開，用雙手舉起箱子，然後將箱子放在前臂上並抵住胸膛，利用整個身體來操控箱子。人類通常很擅長全身操作，但是機器人在這方面卻困難重重。對於機器人而言，箱子可能觸碰著載體的手指、手臂和軀幹上的任何一點，都代表著一個接觸事件，它必須對此進行反思。由於潛在的接觸事件數量多達數十億個，策劃此任務很快就變得不可行。
現在麻省理工學院（MIT）的研究人員找到了一種簡化這個過程的方法，即聯絡豐富的操作計劃。他們使用一種名為“smoothing”的人工智慧技術，該技術將眾多接觸事件總結為較少的決策，從而使得即使是簡單的算法也能夠快速識別機器人的有效操作計劃。雖然這個方法仍處於早期階段，但它有潛力使工廠能夠使用小型移動機器人進行物體操作，而不是僅能夠用指尖抓取的大型機械手臂。這可能有助於降低能源消耗和成本。此外這種技術可能也在前往火星或其他太陽系天體的探索任務中有用，因為它們可以透過僅使用機載計算機快速適應環境。
學習學習
增強學習是一種機器學習技術，其中代理（如機器人）透過試錯的方式學習完成任務，並獲得接近目標的獎勵。研究人員表示這種學習方法採取了黑盒子的方式，因為系統必須透過試錯來學習關於世界的一切。這種方法在聯絡豐富的操作計劃方面非常有效，其中機器人試圖學習最佳的方式來以特定方式移動物體。但是死機器人在決定如何使用手指、手、手臂和身體與物體進行互動時，可能存在數十億個潛在的接觸點需要進行推理，這種試錯方法就需要大量的計算。
“增強學習可能需要在模擬時間中經過數百萬年的時間，才能真正學會一個策略，” Terry Suh 補充道。
而如果研究人員能夠根據他們對系統和機器人所要完成的任務的理解，特別設計一個基於物理的模型，這種模型將有關此世界的結構納入其中使其更有效。然而當涉及聯絡豐富的操作計劃時，基於物理的方法並不像增強學習那樣有效，Suh 和 Pang 想知道為什麼。他們進行了詳細的分析，發現一種稱為“smoothing”的技術使得增強學習能夠表現得如此出色。在決定如何操作物體時，機器人能夠做出的許多決策並不重要。例如，每次微調一個手指，無論是否與物體接觸，都不會產生太大的影響。smoothing 透過嘗試許多接觸點然後計算結果的加權平均值，隱式地進行了磨平化。基於這一領域的見解，MIT 的研究人員設計了一個簡單的模型，可以進行類似的磨平化，使其能夠專注於核心的機器人-物體互動作用並預測長期的行為。他們表明，這種方法能夠像增強學習一樣有效地生成復雜的計劃。
“如果您對問題有更深入的理解，可以設計更高效的算法，”Pang 說道。
取得勝利的組合
儘管磨平化大大簡化了決策，但在剩下的決策中進行搜尋仍然是一個困難的問題。因此研究人員將他們的模型與一種能夠迅速高效地搜尋機器人可能做出的所有決策的算法結合在一起。有了這個組合，計算時間在一臺標準膝上型電腦上削減到大約一分鐘。
他們首先在模擬中測試了他們的方法，其中給機器人手指指定了移動筆到所需配置、開啟一扇門或拿起一個盤子的任務。在每個示例中，他們基於模型的方法實現了與增強學習相同的效能，但所花的時間只有增強學習的一部分。當他們在真實的機器人手臂上測試他們的模型時，獲得了類似的結果。
“使整體操作具有能力的想法也適用於具有靈巧的類人手的規劃。以往，大多數研究人員認為只有增強學習才能適應靈巧的手，但是 Terry 和 Tao 透過從增強學習中採用這種（隨機）磨平的關鍵思想，他們也可以使傳統的規劃方法工作得非常好，“Tedrake 表示。
然而他們開發的模型依賴於真實世界的一個較簡單的近似，因此無法處理非常動態的運動，例如物體掉落。雖然對於較慢的操作任務效果很好，但他們的方法無法建立一個能使機器人將可樂罐扔進垃圾桶的計劃，例如。在未來，研究人員計劃改進他們的技術，使其能夠應對這些高度動態的運動。
“如果您仔細研究並真正理解您要解決的問題，您肯定可以取得一些收益。在某些方面超越黑盒子有益之處，”Suh 說道。
延伸閱讀
- Google I/O 盛會 AI 領域的重大訊息
- Google I/O 2024：AI 與 Android 大揭祕
- Google 在 I/O 主題演講中提到「AI」超過 120 次
- OpenAI 考慮允許 AI 色情內容？
- 獨家專訪：Wayve 聯合創始人 Alex Kendall 談車輛和機器人的自主未來
- 突破獨家訪談：Wayve 共同創辦人 Alex Kendall 談自動駕駛汽車和機器人的未來
- 資料科技公司 Daloopa 開發 AI 以自動化財務分析工作
- 今年的 Met Gala 主題是 AI 極深假裝
- Y Combinator 幫助醫療記錄 AI 新創 Hona 募得 300 萬美元 的故事
- Pinterest AI 打造的拼貼圖比單張針腳更吸睛
