【史上最强机械手】无需提前了解物体,100%识别,适用多种非结构化场景

新智元编译

来源:MIT

编译:克雷格

【新智元导读】最近,由MIT和普林斯顿大学研究人员开发一款名为“拾放(pick-and-place)”的系统。“拾放”系统由一个标准的工业机器人手臂组成,研究人员配备了一个定制的抓手和吸盘。 他们使用算法让机械手能够评估一堆随机物体,并确定在杂物中抓取或吸附物品的最佳方式,而不必在拾取物体之前了解物体。

拆包杂货是一项简单且单调的任务:你伸手去拿一个包,摸一下物品,然后把里面的东西拿出来,扫了一眼之后再决定把它存储在哪里。

现在,这个重复性的工作要被机械手代替了。

最近,麻省理工学院和普林斯顿大学的工程师们开发出了一种机器人系统,能够协助完成挑选和分拣任务,在从仓库产品组织到清理灾难区域的碎片等各项任务中都将有用武之地。

下面就是这个机械手的介绍

该团队开发的名为“拾放(pick-and-place)”的系统由一个标准工业机器人手臂组成,研究人员配备了一个定制抓手和吸盘。他们开发了一种“物体不可知(object-agnostic)”的抓取算法,使机器人能够评估一堆随机物体,并确定在杂物中抓取或吸附物品的最佳方式,而不必在拾取物体之前了解物体。

一旦它成功抓住了一件物品,机器人将其从箱子中取出。然后一组摄像机从不同角度拍摄物体图像,并借助新的图像匹配算法,机器人可以将抓取物体的图像与其图像库进行比较以找到最接近的匹配。通过这种方式,机器人识别物体,然后将其收藏在另一个单独的箱中。

一般来说,机器人遵循“先抓后抓”的工作流程,与其他拾放技术相比,这是一个有效的顺序。

“这可以应用于仓库分拣,也可以来从你的厨柜里捡东西或清除事故发生后的杂物。这个拾放系统能应对很多种情况。”MIT Walter Henry Gale职业发展教授Alberto Rodriguez说。

Rodriguez及其在麻省理工学院和普林斯顿大学的同事将于5月份的IEEE上发表一篇详细介绍其系统的论文。

建立包含成功和失败案例的数据库,并整合进深度神经网络

现有的系统通常只能在严格控制的环境中工作,但“拾放”技术摆脱了这种束缚,因而可能有很多用途。

今天,大多数工业机械手都是为了一个特定的重复性任务而设计的,比如将汽车零件从装配线上抓下来,始终采用相同的、精心校准的方向。然而,Rodriguez正在努力将机器人设计成更灵活、适应性更强和更智能的采集器,它将适用于零售仓库等非结构化的设置场景。在这种情况下,机械手可能会一直遇到并且必须排列数百甚至数千个混乱的新物体。

该团队的设计基于两项一般性操作:1、挑选—成功抓取对象的行为。2、感知—识别和分类对象的能力。

研究人员训练机机械手从杂乱的垃圾箱中挑选新物体,使用以下四种主要抓取行为中的任意一种:垂直或从侧面吸附到物体上;像在街机游戏中的抓爪一样垂直抓住物体;或者对与墙壁平行的物体垂直夹持,然后使用铲子在物体和墙壁之间滑动。

Rodriguez和他的团队展示了机器人收集的图像,这些图像现实的物体杂乱无章,然后他们向机器人展示了哪些物体可以抓取,哪些是四种主要的抓取行为,并将每个抓取动作标记为成功或失败,最后,研究人员建立了一个挑选成功和失败的案例数据库,并将这个库合并到一个“深度神经网络”中,使机器人能够根据其成功和失败的库,将其当下面临的问题与过去的成功结果进行匹配。

“我们开发了一个系统,通过查看充满物品的手提箱,机器人知道如何预测哪些是可抓取或可抽吸的,以及这些抓取行为利用哪种配置可能成功。”Rodriguez说。 “一旦它进入抓手,物体就更容易被识别,没有任何混乱。”

从像素到标签:以100%的精度识别新物体

研究人员以类似的方式开发了一种感知系统,使机器人能够在成功抓住物体后识别和分类物体。

他们首先开发一个从在线资源(如零售商网站)获取的产品图像库,随后用正确的标识标记每个图像,然后开发另一种学习算法,将给定图像中的像素与给定对象的正确标签相关联。

“我们正在教机械手比较东西,对于人类来说,可能很容易识别,但实际上,作为像素,机器人看起来可能显着不同。”Rodriguez说,“我们确保这个算法适合这些训练样例。希望我们已经给了它足够的训练样例,这样当我们给它一个新的对象时,它就会预测正确的标签。”

去年7月,该团队将这台重达2吨的机械手运往日本,一个月后,他们在那里参加了亚马逊机器人挑战赛。最后,团队研发的这个机械手在使用吸力吸取物体时的成功率为54%,使用抓取时的成功率为75%,并且能够以100%的精度识别新物体。机器人还在规定的时间内存放了所有20个物体。

Rodriguez最近还获得了亚马逊研究奖,并将与亚马逊合作进一步改进“拾放”系统的技术,特别是其速度和反应性。

“在非结构化环境中进行抓取是不可靠的,除非增加一定程度的反应性。”Rodriguez说,当人类抓取时,我们会对物品进行小幅调整。弄清楚如何做出这样的调整,我认为是关键技术之一。

目前,该团队已经采取了一些步骤实现这一目标。他们为机器人的抓手添加触觉传感器,并通过新的培训体系运行系统。

“机械手现在具有触觉传感器,并且我们已经启用了一个系统,机器人一整天都在不断地从一个地方到另一个地方捡东西。”Rodriguez说。

链接:

http://news.mit.edu/2018/robo-picker-grasps-and-packs-0220

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2018-02-22

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏DT数据侠

海量游戏、影视究竟哪部才是你的菜?交给这个推荐系统帮你选

在我们生活的这个时代,每周都有大量的新游戏、电影和剧集问世,追剧、追游戏并不容易,往往需要花费好几个小时浏览各种博客、媒体上的评价才能决定一部作品是否是你的菜。...

940
来自专栏人工智能头条

DeepText:Facebook的文本解析引擎

2362
来自专栏量子位

回邮件省脑子大法 → 谷歌邮箱智能句子填写

谷歌掌门人劈柴哥当时介绍了Gmail的一个和AI有关的新功能,Smart Compose,智能句子填写。

1023
来自专栏云计算D1net

云计算与粒计算

云计算,不必细说谁都知道是什么,人们多多少少都有所耳闻。云计算是继20世纪80年代大型计算机到C/S转变之后,IT界的又一次巨变,它通过互联网将某计算任务分布到...

54810
来自专栏CDA数据分析师

【零一】从0开始,教你如何做数据分析#中阶#第九篇

大家好,我是零一。这一篇给大家介绍探索关系。 我的公众微信号是start_data,欢迎大家关注。 探索关系是非常好玩的一件事情。先给大家讲个故事。据说很久很久...

2268
来自专栏新智元

【盘点】掌握机器学习的5条必由之路(附学习资料推荐)

【新智元导读】作者在本文提出一种5步入门并应用机器学习的方法。它不是传统的方法。传统的机器学习方法提倡从下往上学,先从理论和数学开始,然后是算法实现,最后让你去...

43410
来自专栏AI研习社

DeepMind提出增强想象智能体 这次能帮你赢游戏 | 2分钟读论文

来源 / Two Minute Papers 翻译 / 张丹婷 校对 / 囧囧 整理 / 雷锋字幕组 本期论文 "Imagination-Augmented ...

3797
来自专栏目标检测和深度学习

EasyPR--中文车牌识别系统 开发详解(开源)

5771
来自专栏iOSDevLog

《 Python 机器学习基础教程》总结

学完了本书介绍的所有强大的方法,你现在可能很想马上行动,开始用你最喜欢的算法来解决数据相关的问题。但这通常并不是开始分析的好方法。机器学习算法通常只是更大的数据...

1397
来自专栏华章科技

超级干货 :一文读懂社交网络分析

社交网络在维基百科的定义是“由许多节点构成的一种社会结构。节点通常是指个人或组织,而社交网络代表着各种社会关系。”在互联网诞生前,社交网络分析是社会学和人类学重...

3462

扫码关注云+社区

领取腾讯云代金券