详细内容或原文请订阅后点击阅览
帮助机器人掌握不可预测的事物
MIT CSAIL 的节俭式深度学习模型可推断物体的隐藏物理属性，然后进行调整，以便在家庭和配送中心等非结构化环境中为机器人找到最稳定的抓握方式。
来源:MIT新闻 _机器人当机器人遇到不熟悉的物体时，它们很难解释一个简单的事实：外表并非一切。它们可能会尝试抓住一个积木，却发现它其实很容易抓。物体的误导性外观可能会导致机器人错误计算物体的重量和重心等物理属性，从而使用错误的抓握方式并施加超过需要的力。
其实很简单为了看清这种错觉，麻省理工学院计算机科学与人工智能实验室 (CSAIL) 的研究人员设计了抓取神经过程，这是一种预测物理模型，能够实时推断这些隐藏的特征，从而实现更智能的机器人抓取。基于有限的交互数据，他们的深度学习系统可以帮助仓库和家庭等领域的机器人，而计算成本仅为以前算法和统计模型的一小部分。
抓握神经过程抓握神经过程经过训练，可以从尝试抓握的历史中推断出不可见的物理属性，并使用推断出的属性来猜测哪些抓握在未来会很有效。之前的模型通常仅从视觉数据中识别机器人抓握。
抓握神经过程对 1,000 个独特的几何图形和 5,000 个物体进行了训练，在 ShapeNet 存储库中生成的新型 3D 物体的模拟中实现了稳定的抓握。然后，CSAIL 领导的团队通过两个加权块在物理世界中测试了他们的模型，他们的工作优于仅考虑物体几何形状的基线。事先仅限于 10 次实验抓握，机械臂在 20 次尝试中分别在 18 次和 19 次成功拿起盒子，而机器在没有准备的情况下仅产生 8 次和 15 次稳定抓握。
介绍了这项工作