一种新的监督学习方法来掌握机器人的计划辛晓琪

一种新的监督学习方法来掌握机器人的计划

犹他大学的研究人员最近开发了一种概率掌握计划器，该计划器可以显式建模掌握类型以实时计划高质量的精度和功率掌握。在arXiv上预先发表的一篇论文中概述了他们的监督学习方法，可以有效地计划给定对象的能力和精确度。

对于人类和机器人而言，不同的操纵任务都需要不同类型的抓握例如，握住重型工具需要提供稳定的多指力量抓握，而握住笔需要多指精确抓握，因为这可以使物体灵巧。

犹他大学的研究人员在测试他们以前的方法来进行计划时，注意到它几乎总是产生力量抓取，其中机器人的手缠绕在物体周围，并且在手和物体之间有较大的接触区域。这些抓握对于完成各种机器人任务非常有用，例如在房间其他地方拾取物体，但是当执行手动操作任务时却无济于事。

进行这项研究的研究人员之一塔克·赫曼斯对TechXplore表示：“想用指尖移动画笔或手术刀，就可以了。” “这类任务需要精确的抓紧力，机器人用指尖将物体固定住。从文献中我们发现，现有方法往往只产生一种抓紧力，无论是精确度还是力量。

因此，我们着手创建一种可以同时使用这两种方法的抓紧合成方法。这种方式，我们的机器人可以使用动力抓取器稳定地拾取和放置要移动的物体，而在需要执行手动操作任务时可以精确抓取。”

提出了抓握型概率图形模型。在Hermans和他的同事Qingkai Lu设计的掌握计划方法中，机器人学会了根据过去的经验来预测掌握成功的方法。机器人会尝试对不同对象进行不同类型的抓取，并记录其中哪些成功和失败。然后，该数据用于训练分类器，以预测给定的抓取是否成功。

Hermans解释说：“分类器将物体的深度图像和所选的抓握配置作为输入。” “除了预测成功之外，分类器还报告抓取将以零比一的比例成功的信心有多大。当呈现要抓握的对象时，机器人会通过搜索不同的可能抓握并选择抓握来计划抓握分类者预测成功的最高信心。”

即使只有部分视觉信息可用，由Hermans和Lu开发的监督学习方法也可以为以前看不见的物体计划不同类型的抓握。他们的方法可能是第一个显式计划功率和精度控制的把握计划方法。

研究人员评估了他们的模型，并将其与不编码抓地力类型的模型进行了比较。他们的发现表明，建模抓握类型可以提高生成的抓握的成功率，其模型的性能优于其他方法。

赫曼斯说：“我们认为我们的结果在两个有意义的方面很重要。” “首先，我们提出的方法使机器人能够明确选择所需的抓握类型，从而解决了我们要解决的问题。其次，更重要的是，将这种抓握型知识添加到系统中实际上可以提高机器人的抓地力。

机器人可以成功地抓取物体。因此，即使您只想要一种抓取，在学习抓取时，仍会知道存在精确的抓取。”

Hermans和Lu所设计的方法可以帮助开发可以产生多种掌握的机器人。这最终将使这些机器人能够完成更广泛的任务，这需要不同类型的对象操纵。

赫曼斯说：“我们现在正在研究这项工作的两个直接扩展。” “首先，我们希望检查建模更多类型的抓握的效果，例如，区分以手指与对象接触的不同部分为特征的精确抓握的子类型。

为了实现这一点，我们计划第二步，我们希望结合更多的信息，以帮助自动选择适合于给定任务的抓握类型。例如，在没有操作员告知的情况下，机器人如何自动决定应使用精确抓握来创建绘画？”

紧固件试验台

10T液压万能拉力机

编织袋拉力试验机

螺纹钢拉伸试验机

人造板摩擦磨损试验机

万能试验机