DON抓取算法：訓(xùn)練無需標(biāo)注數(shù)據(jù)集，省時(shí)省力

MIT團(tuán)隊(duì)打造“密集目標(biāo)網(wǎng)絡(luò)”（DON）的機(jī)器人系統(tǒng)，能夠讓抓取機(jī)器人真正“讀懂”目標(biāo)，該系統(tǒng)將目標(biāo)處理生成三維“視覺路線圖”的點(diǎn)集合，讓機(jī)器人真正在視覺上理解目標(biāo)。利用這一系統(tǒng)，科學(xué)家們不必再像過去的計(jì)算機(jī)視覺研究一樣，繁瑣地對大量數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行標(biāo)記了。

長期以來，人類一直以靈巧著稱，這種特點(diǎn)在很大程度上要?dú)w功于我們的眼睛。不過現(xiàn)在，機(jī)器人也逐步迎頭趕上。經(jīng)過幾十年的發(fā)展，現(xiàn)在用于生產(chǎn)線等受控環(huán)境中的機(jī)器人已經(jīng)能夠一次又一次地拾起同一個(gè)目標(biāo)了。

最近在計(jì)算機(jī)視覺方面的突破，讓機(jī)器人也能區(qū)分出不同的目標(biāo)。不過即使這樣，機(jī)器人還是無法真正理解物體的形狀，因此在拾取目標(biāo)后，幾乎無法再做什么別的事。

近日，麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室（CSAIL）的研究人員在一篇新論文中表示，他們已在這個(gè)領(lǐng)域取得了一項(xiàng)重要進(jìn)展：他們打造的機(jī)器人系統(tǒng)可以識別出之前未見過的隨機(jī)目標(biāo)，并能夠在視覺上“理解”這些目標(biāo)，以完成更豐富的任務(wù)。

研究人員使用KUKA機(jī)器人抓起一只杯子

“密集對象網(wǎng)絡(luò)”：讓機(jī)器人讀懂抓取目標(biāo)

該系統(tǒng)名為“密集對象網(wǎng)絡(luò)”（DON），該網(wǎng)絡(luò)將對象視為點(diǎn)的集合，當(dāng)作“視覺路線圖”來使用。這種方法可以讓機(jī)器人更好地理解和抓取目標(biāo)，最重要的是，機(jī)器人能夠在大量類似目標(biāo)中挑出特定的目標(biāo)。亞馬遜和沃爾瑪?shù)?a target="_blank">公司在其倉庫中使用的機(jī)器就具備類似的技能。

比如，有人可能會使用DON系統(tǒng)讓機(jī)器人抓住目標(biāo)上的特定位置，比如鞋舌頭。之后，它就能夠看到之前從未見過的鞋子，并成功抓住鞋舌頭。

參與該研究的博士生Lucas Manuelli說道：“許多控制系統(tǒng)和識別方法都無法識別朝多個(gè)方向放置的目標(biāo)的特定部分。”他與該論文另一作者、博士生Pete Florence和MIT教授Russ Tedrake一起撰寫了該論文。 “比如，現(xiàn)有的算法就無法抓住馬克杯的杯柄，尤其是在馬克杯朝多個(gè)方向放置的情況下，比如直立或側(cè)放?！?/p>

該團(tuán)隊(duì)認(rèn)為，該技術(shù)不僅能用于工業(yè)制造，還能走入家庭的日常生活。比如，給系統(tǒng)展示一座整潔的房子的圖像，讓機(jī)器人在你工作時(shí)打掃房間，或向機(jī)器人展示菜肴的圖像，讓機(jī)器人在你度假時(shí)把你的餐桌上的盤子收拾好。

DON抓取算法：訓(xùn)練無需標(biāo)注數(shù)據(jù)集，省時(shí)省力

值得注意的一點(diǎn)是，沒有任何數(shù)據(jù)事先被人類標(biāo)記過。這個(gè)系統(tǒng)是“自我監(jiān)督的”，因此不需要任何來自人類的數(shù)據(jù)標(biāo)注。

機(jī)器人抓取目標(biāo)的兩種常見方法是，創(chuàng)建特定任務(wù)的機(jī)器學(xué)習(xí)，創(chuàng)建通用的抓取算法。這兩種技術(shù)都存在障礙：基于特定任務(wù)的方法很難推廣到其他任務(wù)，而通用的抓取算法不夠具體，無法顧及處理特定任務(wù)時(shí)的細(xì)微差別，比如將目標(biāo)放到特定的位置上。

而DON系統(tǒng)基本上是在給定目標(biāo)上創(chuàng)建一系列坐標(biāo)，作為基于目標(biāo)的一種“視覺路線圖”，使機(jī)器人更好地理解自己需要抓取哪些目標(biāo)，目標(biāo)在何處等。

該團(tuán)隊(duì)訓(xùn)練系統(tǒng)將對象視為構(gòu)成較大坐標(biāo)系的一系列點(diǎn)。然后將不同的點(diǎn)映射到一起，顯示出對象的三維形狀，這種方式和使用多張照片拼接全景照片的方式有些類似。在訓(xùn)練之后，如果指定目標(biāo)上的一個(gè)點(diǎn)，機(jī)器人可以拍攝該物體的照片，并一系列的點(diǎn)進(jìn)行識別和匹配，然后就可以指定點(diǎn)拾取目標(biāo)。

這個(gè)系統(tǒng)與加州大學(xué)伯克利分校的DexNet系統(tǒng)有所不同，伯克利的系統(tǒng)可以抓取許多不同的目標(biāo)，但不能滿足抓取特定目標(biāo)的要求。就好比一個(gè)一歲半的嬰兒，他不明白你想要他玩哪個(gè)玩具，但仍然可以抓起很多不同的玩具，而一個(gè)四歲的孩子，就可以準(zhǔn)確地回應(yīng)“去抓住那輛紅色小卡車的車尾”的要求。

在形狀對稱毛絨玩具上進(jìn)行的一組測試中，由DON驅(qū)動的Kuka機(jī)器人手臂可以從一系列不同的目標(biāo)位置抓住玩具的右耳。這表明系統(tǒng)具有在對稱物體上區(qū)分左右的能力。

在利用不同棒球帽進(jìn)行測試時(shí)，DON可以選擇特定的目標(biāo)帽子，盡管所有的帽子的設(shè)計(jì)都非常相似，機(jī)器人在之前從未在訓(xùn)練數(shù)據(jù)中看到過帽子的照片。

未來，團(tuán)隊(duì)希望將系統(tǒng)進(jìn)行改進(jìn)，讓其具備執(zhí)行特定任務(wù)的能力，同時(shí)能夠更深入地了解相應(yīng)的目標(biāo)，例如學(xué)習(xí)如何抓住目標(biāo)，并將其移動到最終位置等。

團(tuán)隊(duì)將于下個(gè)月在瑞士蘇黎世舉行的機(jī)器人學(xué)習(xí)會議上發(fā)表這一成果。