详细内容或原文请订阅后点击阅览
新技术帮助机器人将物体装入狭小空间
研究人员诱导了一系列生成式 AI 模型共同解决多步骤机器人操作问题。
来源:Robohub麻省理工学院的研究人员正在使用生成式 AI 模型来帮助机器人更有效地解决复杂的物体操作问题，例如将不同物体装入箱子。图片：由研究人员提供。
图片：由研究人员提供。作者：Adam Zewe | 麻省理工学院新闻
作者：Adam Zewe | 麻省理工学院新闻任何曾经尝试将家庭大小的行李装入轿车大小的后备箱的人都知道这是一个难题。机器人在密集打包任务中也遇到了困难。
对于机器人来说，解决打包问题需要满足许多约束条件，例如将行李堆放起来，以免行李箱从后备箱中翻倒，重物不会放在较轻的物品之上，以及避免机械臂与汽车保险杠发生碰撞。
一些传统方法按顺序解决这个问题，猜测一个满足一个约束的部分解决方案，然后检查是否违反了其他约束。由于需要采取一系列行动，并且要打包一堆行李，这个过程可能非常耗时。
麻省理工学院的研究人员使用一种称为扩散模型的生成式人工智能来更有效地解决这个问题。他们的方法使用了一组机器学习模型，每个模型都经过训练以表示一种特定类型的约束。这些模型组合在一起以生成打包问题的全局解决方案，同时考虑所有约束。
他们的方法能够比其他技术更快地生成有效的解决方案，并且在相同的时间内产生了更多的成功解决方案。重要的是，他们的技术还能够解决具有新约束组合和大量物体的问题，而这些是模型在训练期间无法看到的。
关于这种新机器学习技术的论文约束复杂性
可能存在许多约束，并且它们会根据对象的几何形状和人类指定的要求而因问题和环境而异。
扩散-CCSP共同努力
MIT 新闻