让机械臂“自学成才”

机械臂有望掌握快速学习的能力。西门子的研究人员正与加州大学伯克利分校合作，潜心研究机械臂如何充分利用云端来学习并教会自己执行专业化任务。

在加州大学伯克利分校，Ken Goldberg教授（左）与西门子研究小组负责人Juan Aparicio正在分析机械臂执行从云端下载的抓取动作的能力。这个位于伯克利的西门子团队正在与加州大学伯克利分校密切合作，贡献专业信息和技术，以期利用云端通过少量编程助力机械臂学习执行新任务。

相较于人类，机械臂的学习速度很慢。但是，基于西门子中央研究院与加州大学伯克利分校正在合作开展的研究，机械臂掌握新技能的能力将迅速提高。以云端机械臂为例，这项技术有可能集诸多服务器之力来协助机械臂执行任务。云计算让机械臂在“思考”时不再仅限于使用本地计算资源，这为使用深度学习等计算密集型资源开启了大门。借助云计算，工作人员还有可能充分利用开放源码软件和并行计算等带来的好处。而最令人振奋的是，云计算可以实现与其它自动化系统的知识分享且能及时更新数据。

在加利福尼亚州伯克利，Juan L. Aparicio带领着一个专门研究高级制造自动化技术的西门子研究团队。他表示：“如今，机械臂只需要不断重复拾取并放置相同物体。但在不久的将来，随着制造业日益向小批量生产转型，为抓取每一个新物体的动作给机械臂重新编程是不可行的。因此，如果机械臂要独立‘想’出如何抓取新物体，就需要云的支持。”

在云端，高效的并行计算可被用于发现最稳健的机械臂抓取动作。

系统间的知识分享

为此，Aparicio和他的团队正潜心研究机械臂如何借云之力来学会抓取不熟悉的物体。Aparicio解释道：“抓取是机械臂执行的计算密度最高的任务之一。如果能让机械臂自主从云端搜索适当的动作，它将弄明白如何更快、更高效地执行这项任务。”

加州大学伯克利分校的Dexterity Network（DexNet）平台是一个基于云的抓取动作数据库。在与DexNet平台的合作中，西门子团队提供了专门的制造技术知识，以及分享基于云的信息时用于保护重要知识产权的方法。加州大学伯克利分校的Ken Goldberg教授是DexNet平台的负责人，他表示：“现在，我们正在集成视觉功能生成一个合成数据库。这个数据库中包含了650万张含三维模型的图片，而它们都与抓取有关。”

西门子团队专注于在学术界与工业界之间搭起桥梁，他们也参与了加州大学伯克利分校Pieter Abbeel教授开展的一个相关项目。这个项目的重点是机械臂的深度强化学习。Abbeel表示：“深度强化学习已在游戏和模拟环境中大获成功。在这个项目中，我们正在研究如何让真实的机械臂在学习中取得同样的成功。”Aparicio补充道：“这个项目是为数不多的几个将深网用于控制物理系统的例子之一。我们正在设计控制器，以使机械臂通过少量编程学习执行新任务。下一步，我们会将这两方面的工作相结合，充分利用云端来实现系统间的知识分享，让机械臂有能力在本地完成对知识的学习和归纳。”