1. 首页>人工智能 >正文

深度学习可帮助机器人轻松抓取和移动物体

导读在过去的一年中,锁定措施和其他安全措施使在线购物比以往任何时候都更加受欢迎,但是不断飙升的需求使许多零售商在确保仓库员工安全的同时

在过去的一年中,锁定措施和其他安全措施使在线购物比以往任何时候都更加受欢迎,但是不断飙升的需求使许多零售商在确保仓库员工安全的同时,难以履行订单。

加州大学伯克利分校的研究人员已经开发出了新的人工智能软件,该软件使机器人能够快速,熟练地抓住并平稳地移动物体,从而使它们能够在不久的将来帮助仓库环境中的人员。在线发表在《科学机器人》杂志上的一篇论文中描述了 该技术。

自动化仓库任务可能具有挑战性,因为人类自然会采取许多行动,例如确定在何处以及如何拾取不同类型的物体,然后协调将每个物体从一个位置移动到另一个位置所需的肩部,手臂和腕部运动。对于机器人来说相当困难。机器人的动作也趋于生硬,这可能会增加损坏产品和机器人的风险。

“仓库仍然主要由人类来操作,因为机器人仍然很难可靠地抓住许多不同的物体,”加州大学伯克利分校的工程学特聘教授威廉·肯德伯格(Ken Goldberg)说。“在汽车装配线中,一次又一次地重复相同的动作,因此可以实现自动化。但是在仓库中,每个订单都是不同的。”

加州大学伯克利分校的工程师创造了将神经网络与运动计划软件相结合的新软件,从而为机器人提供了在仓库环境中提供帮助的速度和技能。图片来源:加州大学伯克利分校,肯·戈德堡实验室提供(以上视频中的图像框)

在早期的工作中,Goldberg和加州大学伯克利分校的博士后研究员Jeffrey Ichnowski创建了一个“抓握优化运动计划器”,该计划器可以计算机器人应该如何拾取物体以及如何移动以将物体从一个位置转移到另一个位置。

但是,此计划程序产生的动作有些生涩。虽然可以调整软件的参数以生成更平滑的运动,但是这些计算平均需要大约半分钟的时间来计算。

在这项新研究中,Goldberg和Ichnowski与加州大学伯克利分校的研究生Yahav Avigal和本科生Vishal Satish合作,通过集成深度学习神经网络大大缩短了运动计划器的计算时间。

神经网络使机器人可以从示例中学习。后来,机器人通常可以推广到相似的对象和运动。

但是,这些近似值并不总是足够准确。Goldberg和Ichnowski发现,可以使用运动计划器优化由神经网络生成的近似值。

“神经网络只需几毫秒即可计算出近似运动。这非常快,但是不准确。” Ichnowski说。“但是,如果我们随后将该近似值输入到运动计划器中,则运动计划器只需进行几次迭代即可计算最终运动。”

通过将神经网络与运动计划器结合使用,团队将平均计算时间从29秒减少到80毫秒或不到十分之一秒。

Goldberg预测,随着机器人技术的这一进步和其他进步,机器人将在未来几年内协助仓库环境。

戈德堡说:“由于,购买食品,药品,衣物和许多其他东西的方式已经改变,即使大流行结束后,人们仍可能继续以这种方式购物。” “这是机器人为人类工作者提供支持的令人兴奋的新机会。”

标签:

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,多谢