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
研究人员诱导一系列生成式人工智能模型共同解决多步骤机器人操作问题。
来源:MIT新闻 _机器人任何曾经尝试将家庭大小的行李打包到轿车大小的后备箱中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，猜测一个满足一次一个约束条件的部分解决方案，然后检查是否违反了任何其他约束条件。由于要采取一系列动作，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。这些模型组合起来，可以生成包装问题的全局解决方案，同时考虑所有约束条件。
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条件组合和大量对象的问题，而这些问题是模型在训练期间没有看到的。
由于这种通用性，他们的技术可用于教机器人如何理解和满足包装问题的整体约束条件，例如避免碰撞的重要性或希望一个物体靠近另一个物体。 以这种方式训练的机器人可以应用于各种环境中的各种复杂任务，从仓库中的订单履行到整理某人家中的书架。
关于这种新机器学习技术的论文约束复杂性
约束复杂性 扩散-CCSP