谷歌研究者训练机器手臂自我学习拾取技巧

morinson

谷歌研究者训练机器手臂自我学习拾取技巧

2016-03-10 11:34:38

相信通过近日的世纪人机围棋大赛，人们已经见识到了谷歌人工智能研究领域的强大。机器人在很多领域通过以卷积神经网络（ Convolutional neural networks）为基础的深度学习方式达到或者超越了人类的水平。近日，外媒报道了谷歌研究者正在利用深度学习和卷积神经网络训练机器手臂如何学习并掌握拾取物体的技巧，这又是一项将机器学习和人工智能应用到实践中的研究实例。
                                       

机器手臂应该是最初将机器人技术应用至生产实践的产品，通常它们是通过预编程只能够精确地处理重复的过程，而不会像生产线上的工人一样处理一些“软性”的需要技巧的行为，也不会应对环境的不同作出反应。以Sergey Levine领导的谷歌一组机器人研究团队则将14对机器人手臂进行训练，使用多种不同形状，质感的小物体提供训练他们掌握拾取物体的技巧。研究人员为14对机器人手臂分配不同的盒子，每个盒子又随机分配了不同质感，形状的物件供拾取（包括各类日常用品如玩具，杯子，笔、胶带纸卷等）。这些机器人采用卷积神经网络的深度学习模型，彼此相连，共享相互的学习经验和尝试数据，在经过超过80万次的拾取尝试后，联网的机器手臂组逐渐开始自我纠正其拾取动作，很快提高了对不同物体的拾取成功率，而且甚至培养出了专门应对不同质感物体的分类技巧，如在拾取软性物体和硬性物体是能够采取不同的拾取方式。

研究团队领导人为Sergey Levine，他的理念是“人类并不是生来就会所有的行为模式,但我们也不需要被编程。我们用一生的时间从他人、实践中学习、掌握这些技能”。机器人当然也一样，现在机器人研究领域已经逐渐从预编程的理念转向对机器深度学习的研究，换言之现在机器人不再是以前那种反复尝试同种事情，不会改进的冰冷式思维。通过机器深度学习，采用卷积神经网络模式，他们会从错误中积累经验，逐渐采用能提高成功几率的方法，最后掌握最深刻的技巧。