Py学习  »  机器学习算法

MIT 研究人员用机器学习打造能够区分软硬的机械手

麻省理工科技评论APP • 4 年前 • 326 次点击  


近日,麻省理工学院的研究人员开发出了一套新的学习系统(模型),名为“粒子交互网络”(DPI-Nets),以及一个拥有两只手指的机械手“RiceGrip”。该模型基于机器学习技术,可以教会 RiceGrip 识别目标材料的软硬程度,预测材料如何对其压力做出反应,并且将柔软材料捏成某种目标形状。


图 | RiceGrip捏饭团 (来源:Li, Wu et. al./MIT)


制造一个能拿起物体的机器人已经不是什么新鲜事,但是区分物体的软硬程度则是完全不同的概念。


如果我们将柔软和坚硬的物体组合起来,比如让机器人分别拿起一块寿司和一个苹果放到盘子中,再将盘子递过来,一般的机器人很可能无法胜任,因为寿司和苹果的坚硬程度不同。它很可能会因为用力过猛而弄坏寿司,或者用力过轻而拿不动苹果。


而 RiceGrip 不仅不会弄坏寿司,还有可能在未来学会如何制作不同的寿司。该研究已被 ICLR 2019 接收,目前以预印本的形式发表于 Arxiv 上。


类似人类的物理直觉


与机器人不同,人类大脑中的物理直觉几乎是与生俱来的。


五个月大的孩子就懂得了固体和液体有所不同,从而自然而然地调整对待它们的方式,比如苹果等坚硬物体可以承受更大的抓握力,而至于橡皮泥这样柔软的物体,一捏就会发生形变。所以,如果想保证捏好的橡皮泥小狗不会损坏,我们会本能地控制抓力,几乎无需练习。


机器人也需要类似的物理模型,于是研究人员制作了一个以“粒子”为基本单位的模型。它可以将不同材料“分解”成粒子,然后对其建模,从而分析不同部分受到作用力时的形变和相互作用,形成一个动态的交互模型图。


交互图中的每一个节点代表一个粒子,相邻的节点由向边(directed edge)连接,可以传递粒子相互作用的信息。一副图中包含数千个节点和向边,用来捕获和描绘粒子的复杂行为。


图 | 模拟粒子变化 (来源:Li, Wu et. al./MIT


如果将它们组合起来,就可以模拟在受到外力刺激的状态下,某些液体或可变形固体的形变状态。比如受到同样推力的情况下,容器中的粒子化固体和液体会呈现出完全不同的状态,前者几乎不会怎么移动,而后者会出现大规模移动,粒子间的连接也会出现较大改变。


不过在通常情况下,研究人员很难判断或定义物体形变的物理机制,因此他们开发了一套神经网络 DPI-Nets,可以反复进行抓取训练,利用反馈数据学习如何控制抓力的大小。


DPI-Nets神经网络


在训练中,该网络会通过神经元“计算”不同材料(粒子)的属性,比如质量和弹性,预测粒子的运动规律,来帮助 RiceGrip 适应和学习不同的反馈方式。


此外,针对不同材料,研究人员还定制了不同的“传播”(propagation)方式,即网络中的信号会在不同时间点传递,每次传递都会尝试移动和重新连接模型中的粒子。



图 | 神经网络训练示意图(来源:Li, Wu et. al./MIT


研究人员给 RiceGrip 安装了两根海绵手指,还配有深度感应摄像头和物体识别技术。他们首先会给出一个目标形状,机器人会在神经网络的驱动下,将所抓实体“三维化”,然后准确地塑造成目标形状,比如将圆圆的饭团捏成T形。


在这一过程中,研究人员首先会随机初始化物体中的粒子位置,然后让 RiceGrip 利用训练得到的动态模型预测作用力对粒子的影响,其目标就是匹配粒子的真实位置和目标位置。它会不断地挤压物体,让物体不断变形,使其中的粒子与模型图对齐。只要粒子还没有对齐,它就会发送错误信号,帮助研究人员调整模型参数。



这项研究虽然还处于初级阶段,但研究人员认为,让机器人建立类似人类的物理直觉很有价值,有助于进一步细化机器人的控制系统,增强它们进行细致操作的能力。


未来,研究团队将继续改进模型,帮助机器人在部分场景条件未知的条件下,更好地预测整体的互动行为,同时探索与端到端预测模块结合的可能性,用来预测图像。也许它还能学会制作寿司也说不定。


参考:
http://news.mit.edu/2019/robots-object-manipulation-particle-simulator-0417
https://arxiv.org/pdf/1810.01566.pdf


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/31854
 
326 次点击