3月27日消息，谷歌宣布重啟機器人計劃，重新考慮對復雜機器人技術的關注，這項新工作在谷歌被稱為Robotics。

2013年，谷歌花費了數千萬美元購買了美國和日本的六家機器人初創企業，包括兩個專門研究與人類相似的機器的團隊。但接下來的幾年里將收購的公司陸續變賣或關閉，波士頓動力公司被日本企業收購后仍在研制能像人或動物一樣移動的機器人。

目前機器人已經在倉庫和工廠車間使用，但它們只能處理特定任務，例如拾取特定物體或轉動螺絲。谷歌希望機器能夠自主學習，使用人工智能為未來能夠學習投擲、滑動、旋轉、擺動、捕捉和其他運動技能的系統奠定基礎，這些技能目前對最有能力的機器都構成了挑戰。

雖然這些機器可能不像人形機器人那樣引人注目，但谷歌的研究人員認為，內在的更先進的技術使它們在現實世界中具有更大的潛力。谷歌正在開發這些機器人自主學習技能的方法，例如在一堆不熟悉的物體中準確抓取目標物，或者在一個充滿障礙物的倉庫中導航。

谷歌學生研究員Andy Zeng在博客中寫道：“盡管在使機器人能夠高效地抓取物體、視覺自適應甚至從現實世界中學習方面已經取得了相當大的進步，但機器人操作仍然需要仔細考慮它們如何拾取、處理和放置各種物體——尤其是在非結構化環境中。”但是仍不確定機器人是否能將動態變化形成物理直覺有效的完成任務。

Andy Zeng和他的同事們與普林斯頓、哥倫比亞和麻省理工學院的研究人員合作開發了拾取機器人TossingBot，這種機器人可以學習抓取物體，將物體扔進目標盒子里。它實現了兩倍的有效放置范圍，還可以通過自我監督提高。

可預見性投擲對人類而言也非易事，抓握、姿勢、質量、空氣阻力、摩擦力、空氣動力學以及無數其他變量會影響物體的軌跡。Andy Zeng指出，通過反復試驗對射彈物理進行建模是可能的，但計算成本高，需要大量時間，并且很難形成普遍的規律。

TossingBot 使用投射彈道模型來估計將一個物體送到目標位置所需的速度，并使用端到端的神經網絡，來模擬生物神經元的數學函數層，也就是通過從高架攝像機獲得的視覺和深度數據進行訓練，來預測在估計值之上的調整。這種混合方法使系統的投擲準確率達到85% 。

研究人員讓TossingBot首先嘗試錯誤的抓取，再教會機器人抓取正確物品，偶爾隨機讓TossingBot投擲沒有測試過的物體，變換測試速度進行訓練來提高其學習能力。經過大約14個小時的10,000次抓握和投擲嘗試后，TossingBot可以在87%的時間內牢牢抓住雜亂堆中的物體。

經過一兩個小時的訓練，TossingBot 可以適應從未見過的地點和物品，如假水果、裝飾物品、辦公室物品。

Andy Zeng表示，TossingBot可能學會更多地依賴幾何線索(例如形狀)來學習抓握和投擲，這些新出現的特征是在沒有任何明確監督的情況下從零開始學習的，超出了任務級別的抓取和投擲。但TossingBot足以區分對象類別(乒乓球和記號筆)。

TossingBot 還沒有用易碎物體進行過測試，它使用嚴格的視覺數據作為輸入，這可能妨礙了它在測試中對新物體做出反應的能力。但研究人員表示將物理學和深度學習結合起來的基本構想是未來工作的一個有希望的方向。

關鍵詞：