新的MIT算法使机器人更快掌握[视频]

一种新的算法可以加快机器人抓取器使用周围环境操纵对象的计划过程。

如果您在手持笔或铅笔的办公桌旁，请尝试以下操作：用拇指和食指抓住笔的一端，然后将另一端推向桌子。将手指滑到笔下，然后上下颠倒翻转，不要让它掉落。不太难吧？

但是对于机器人（例如，要对一堆物体进行分类并试图很好地把握其中一个机器人）来说，这是一种计算繁琐的操作。甚至在尝试移动之前，它都必须根据物理基本定律计算出一系列特性和概率，例如桌子，笔及其两个手指的摩擦和几何形状，以及这些特性的各种组合如何机械地相互作用。

现在，麻省理工学院的工程师已经找到了一种方法，可以通过将物体推向静止的表面来显着加快机器人调整其对物体的抓握力所需的计划过程。传统算法需要数十分钟来计划一系列动作，而新团队的方法将这一预计划过程缩短到不到一秒钟。

麻省理工学院机械工程副教授阿尔贝托·罗德里格斯（Alberto Rodriguez）说，更快的规划过程将使机器人（特别是在工业环境中）能够快速指出如何推挤，沿着环境滑动或以其他方式使用环境中的特征来重新定位所抓取的对象。这种灵活的操作对于涉及拣选和分类甚至复杂的工具使用的任何任务都是有用的。

Rodriguez说：“这是一种扩展甚至简单的机械手的灵活性的方法，因为归根结底，环境是每个机器人都拥有的环境。”

该团队的结果已于2019年10月17日发布在《国际机器人研究杂志》上。罗德里格斯（Rodriguez）的合著者是机械工程研究生Nikhil Chavan-Dafle和电气工程与计算机科学研究生Rachel Holladay。

锥中的物理学

罗德里格斯（Rodriguez）的小组致力于使机器人能够利用其环境来帮助他们完成物理任务，例如在垃圾箱中拾取和分类物体。

现有算法通常需要花费几个小时来为机器人抓取器预先计划一系列动作，这主要是因为，对于它考虑的每个动作，该算法必须首先计算该动作是否满足许多物理定律，例如牛顿定律和库仑定律。描述物体之间摩擦力的定律。

罗德里格斯说：“整合所有这些定律，考虑机器人可以做的所有可能的运动，并从中选择一个有用的运动，这是一个繁琐的计算过程。”

他和他的同事们在决定机器人手的运动方式之前，找到了一种解决这些物理问题的紧凑方法。他们通过使用“运动锥”来做到这一点，“运动锥”本质上是视觉上呈锥形的摩擦图。

圆锥体的内部描绘了可以在特定位置应用于对象的所有推动动作，同时满足了物理基本定律并使机器人能够握住对象。圆锥体外部的空间代表了所有推动，这些推动将以某种方式导致物体滑出机器人的抓地力。

Holladay解释说：“看似简单的变化，例如机器人用力握住物体的方式，可以显着改变物体在被推动时在握持装置中的移动方式。”“根据您的抓紧程度，会有不同的动作。这是该算法处理的物理推理的一部分。”

该小组的算法会为机器人抓取器，抓取的物体以及要推动的环境之间的不同可能配置计算运动锥，以选择并按顺序排列不同的可行推力，以重新定位物体。

Holladay说：“这是一个复杂的过程，但仍比传统方法要快得多-足够快，以至于计划整个系列的推送仅需半秒钟。”

大计划

研究人员在具有三向交互作用的物理设置上测试了该新算法，其中一个简单的机器人抓手握住一个T形块并推向垂直杆。他们使用了多种启动配置，其中机器人将滑块固定在特定位置，并以一定角度将滑块推向拉杆。对于每种初始配置，该算法都会立即生成机器人可能施加的所有可能力的图以及由此产生的模块位置。

Holladay说：“我们进行了数千次推动，以验证我们的模型正确地预测了现实世界中发生的事情。”“如果我们在圆锥体内施加推力，则所抓取的物体应保持在控制之下。如果在外面，则该物体应从抓地力处滑落。”

研究人员发现，该算法的预测与实验室中的物理结果可靠地匹配，并计划了一系列动作-例如，在将木块放到直立位置的桌子上之前，将木块靠在木条上重新定向-与传统的算法需要花费500秒钟以上的时间来计划。

Rodriguez说：“由于我们可以紧凑地表示机器人，物体及其环境之间的这种三向交互的机制，因此我们现在可以应对更大的规划问题。”

该小组希望应用并扩展其方法，以使机器人抓手能够处理不同类型的工具，例如在制造环境中。

Holladay说：“大多数使用工具的工厂机器人的手都是经过特殊设计的，因此，他们没有能力握住螺丝刀并以许多不同的方式使用它，而是将手变成螺丝刀。”“您可以想象，这不需要那么灵巧的计划，但是它的局限性更大。我们希望机器人能够使用和拾取很多不同的东西。”

###

参考：Nikhil Chavan-Dafle，Rachel Holladay和Alberto Rodriguez的“通过运动锥进行平面手操作”，国际机器人研究杂志，DOI：2019年10月17日。
10.1177/0278364919880257

这项研究部分得到了Mathworks，麻省理工学院—香港科技大学联盟以及美国国家科学基金会的支持。