这个机器人太牛了，陌生物体抓取识别成功率高达100%

给杂货拆包是一件简单但乏味的工作：手伸进包里，摸索着找到一件东西，然后把它拿出来。简单瞄一眼之后，你会了解这是什么东西，它应该存放在哪里

如今，麻省理工学院和普林斯顿大学的工程师们已经开发出一种机器人系统，未来有一天，他们可能会帮你完成这项家务，并协助其他拣选和分拣工作，例如在仓库组织产品，或在宅区清除瓦砾。

该团队的“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抓手和吸盘。他们开发了一种“未知物体”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，机器人将它从箱子中取出。 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，机器人可以将拾取物体的图像与其他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，然后将其放到在一个单独的箱中。

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

MIT机械工程学院Walter Henry Gale职业发展教授Alberto Rodriguez说，“这可以应用于仓库分拣，也可以用来从厨柜里拿东西或在事故发生后清除杂物。在很多情况下，抓取技术可能会产生影响。”

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机器人与自动化国际会议上发表一篇详细介绍其系统的论文。

成功与失败库

虽然拾放技术可能有很多用途，但现有系统通常只能在严格控制的环境中工作。

目前，大多数拣选机器人都是为了一个特定的重复性任务而设计，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、适应性更强并且更智能的拾取器，适用于零售仓库等非结构化环境，拾取器每天会遇到数百个甚至上千个从未见过的新奇物品，通常还是在杂乱密集的环境中。

该团队的设计基于两项一般性操作：挑选 - 成功抓取对象的行为，以及感知 - 一旦掌握就识别和分类对象的能力。

研究人员训练机器人手臂从杂乱的杂货箱中拣选新物体，使用四种主要抓取行为中的任何一种：垂直或侧面吸附到物体上;像街机游戏中抓爪一样垂直抓住物体; 或者对于与墙壁平齐的物体垂直夹持，然后使用柔性刮刀在物体和墙壁之间滑动。

Rodriguez和他的团队展示了从机器人的有利位置捕捉到的杂乱物体的机器人图像。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，哪些不是，将每个例子标记为成功或失败。他们为数百个例子做了标记，随着时间的推移，研究人员建立了一个挑选成功和失败的库。然后，他们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，将其面临的当前问题与过去的成功结果相匹配。

Rodriguez表示，“我们开发了一个系统，只需通过查看装满物品的箱子，机器人就知道如何预测哪些是可抓取或吸取的，以及这些拣选行为哪些配置是可能会成功的。一旦它进入抓手，物体就更容易识别，不会引起任何混乱。”

从像素到标签

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。

为此，他们首先建了一个从在线资源（如零售商网站）获取的产品图像库。他们用正确的标识标记每个图像，例如，胶带与遮蔽胶带，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。

Rodriguez说，“我们比较东西的时候，对人类来说，可能很容易就认定是相同的，但实际上，从像素的角度看，他们可能看起来完全不同。我们确保这个算法适合这些训练样例。然后希望我们已经给了它足够的训练样例，当我们给它一个新的对象时，它也会预测正确的标签。”

去年7月，研究团队把这个重达2吨的机器人打包运送到日本，一个月之后，他们将它重新组装参加了亚马逊机器人挑战赛，这是一个由这家大型在线零售商赞助的年度比赛，旨在鼓励仓库技术的创新。Rodriguez的团队作为16支参赛队伍之一，参加了从杂货箱中拣选物体的比赛。

最终，该团队的机器人在使用吸力捡拾物体的成功率为54％，使用抓取的成功率为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最近获得了亚马逊研究奖，并将与该公司合作进一步改进拾放技术 - 最重要的是其速度和反应性。

Rodriguez表示，“在非结构化环境中进行拾取非常不可靠的，除非增加一定程度的反应性。当人类拾取时，我们进行小幅调整。弄清楚如何做出更具响应性的拾取，我认为这是我们感兴趣的关键技术之一。”

该团队已经通过一些技术实现这一目标，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。

Rodriguez说，“夹具现在具有触觉传感器，并且我们启用了一个系统，机器人一整天都在不断地从一个地方拾取物品到另一个地方。它可以获取有关何时成功和失败的信息，以及如何拿起或未能拿起物体的信息，希望它能使用这些信息给抓取带来反应性。”