Google可让机器人自己学会组装物品

Google、斯坦福大学以及哥伦比亚大学合作，开发了一种称为Form2Fit的机器人操作算法，能够通过深度神经网络，学习视觉识别物体之间的对应关系，执行像是把物体摆放到相对应形状的包装或纸盒中的任务。Form2Fit现在已经可以让机器人组装各种类型的组件（Kit），成功率达到94％。

形状是现实物体组合的基本概念，而人们在日常生活中，也会不停地组合各种物体，像是把外套挂到衣架上、把插头插进插座中，或是把USB接到对应的USB孔里，人们借由时间累计经验，学习把事务组合在一起的知识，而研究人员认为，要是机器人也可以学会这样的能力，未来将可以自动把DIY家具组合起来，或是自动包装礼物。

过去要教机器人组装的能力，把物体精确的摆放到对应的盒子中，使其成为一个单元，需要为特定任务构建专门的系统，而且需要大量的手动调整，才能一次组装一个组件，而现在研究人员则是应用物品对应在一起的一般概念，让机器人能够组装各式组件，Form2Fit算法是第一个可以组装，在训练期间未见过物体的系统。

Form2Fit是从拆卸过程学习组合的方法，研究人员提到，神经网络需要大量的训练数据，但组装之类的任务训练数据却很难收集。要精确地把物体，依照正确的方向插入紧密的空间中，很难靠测试错误来完成，因为随机探索的成功率非常小，而相较之下，拆卸已经完成的单元，更容易通过反复试验来学习，因为移除物体的错误方法，要比正确插入物体的错误方法少得多，因此研究人员利用这种差异累计Form2Fit的训练数据。

而且许多组件的组装方式，逆转拆卸顺序就是组装的顺序，这种反转时间拆卸的概念，可以让Form2Fit以随机试错的方式拆解完整的组件，以自我监督的方式进行训练，也就是反转拆解的顺序，以学习组装的方法。

研究人员的实验结果，发现这个方法的确能让机器人习得通用的组装方法，让机器人自己收集训练数据，并经过12个小时的训练后，机器人学习了各种组件的有效捡取和放置的技能，在物体和组件各种不同的配置情况下，机器人有94％的成功率完成组装任务，而对于全新没见过的组件，也有高达86％的组装成功率。

即便Form2Fit初步的成果很好，这是因为研究人员把复杂度限制在2D平面工作空间，让机器人只要进行上下的捡取和放置操作，但是对于大部分实际的使用场景，都需要有第三维度的参与，因此研究人员会继续扩展Form2Fit算法到3D组装上。