世界各地的AI实验室已经开发出了各种各样的“手”，推进着我们对于机器人的想象.doc

世界各地的AI实验室已经开发出了各种各样的“手”，推进着我们对于机器人的想象随着技术的发展，机械手臂已经不再像我们过去印象中只能在工厂中进行重复单一劳动的装置了，如今它们已经进化得越来越像人灵巧的手。虽然离科幻小说有血有肉的精密机械手还有很大的差距，但今天世界各地的AI实验室已经开发出了各种各样的“手”，推进着我们对于机器人的想象。加上算法的强大威力，他们可以推、拉、拾、放各种物体，还能在手中旋转把玩。旋转翻腾近来最出名的机器手要数OpenAI的Dectyl了，通过深度学习的算法训练，它掌握了如何在手掌中翻转立方体这一复杂的人类动作。通过复杂的模型，Dectyl可以利用大量的训练来学习如何实现复杂的操作。通过模拟学习在计算机硬件上进行了大量的训练，随后将训练结果迁移到现实世界中实现了灵活的翻转。研究人员相信通过这样的方法可以为它训练更多的复杂操作。这一研究代表了目前机器手研究的巨大飞跃。但除了如此复杂的高度仿生的机械手外，研究人员们还在研究如何用更为简单的“手”来完成一些简单的任务。夹爪伯克利大学AutoLab的研究人员创造出了利用两个手指的夹爪来抓取螺丝刀、老虎钳等细小的工具，并把他们放到指定的箱子里。由于夹爪的控制比五指机械手容易，同时软件也比仿生的机械手容易的多。所以在很多简单场合是一种不错的抓取工具。它同时也可以处理一些稍微变化的物体。例如沙拉酱的瓶子，在它看来就十分类似于螺丝刀的长条圆柱形，可以寻找到合适的点来抓取。但当它遇到一些外形十分不同的形状（与已知的形状相去甚远），例如一只镯子，它就难以抓取了。传送门>>机器人操作的“圣杯问题” - Bin Picking捡拾如果你想要机器人抓取更多的物体，甚至是从未见过物体那要怎么办呢？AutoLab的科学家们在过去几年一直致力于这方面的研究，并开发出了一款称为Dex-Net的框架，来帮助机器人识别并抓取不同形状的物体。系统的硬件十分简单，综合了两种抓取系统：分别是夹爪和吸盘。但简单的组合带来的是它可以抓取十分丰富的物体类别，从剪刀到玩具恐龙都可以轻松处理。这主要得益于这套系统集成了目前先进的机器学习算法。研究人员们为超过10000中物体建模，识别出最好的抓取策略。随后利用神经网络学习、分析、处理这些数据，学会通过图像识别出抓取物体的最好方式。这使得机器人的抓取方式有了质的提升，与过去需要为每一种任务方式编程不同，现在机器人可以通过自己来学习物体的抓取。利用这套系统，机器人可以在完全随机排布的情况下实现抓取。虽然这套系统并不完美，但它可以不断学习，以远超过去的速度不断改进自身的表现。铺床机器人可能还不是一个完美的管家，但是在某些方面已经显示出了很棒的结果。研究人员们最近研发出了一套可以自动整理床铺的机器人。这套系统可以通过分析目前的床铺状况来规划出一系列动作，从而实现床铺的整理。推一推机器人还可以利用夹爪推动在平面上的物体，并预测它最终的位置。这意味着机器人可以像你我一样在桌面上移动物体到任意的位置。这一系统通过大量的视频学习了如何推动物体，通过这样的方式它可以学会处理不确定和意外的运动。未来上述几种都是单一任务，在超出一定范畴的情况下就无法准确抓取了。但随着近年里机器学习的发展，这一领域的研究在不断向前推进着。和OpenAI类似，华盛顿大学的研究人员训练着与真实情况一样的机械手。这比起训练吸盘和夹爪更加困难。主要是由于类人的手部具有丰富的自由度和关节，带来了十分多样的运动方式。在OpenAI，研究人员们同样利用模拟环境来训练机械手。在大量的电脑硬件上运行模拟环境，并引入一系列随机性使得它在短时间内掌握了超过100年的操作经验。当训练完成后，就可以将这样的经验迁移到真实世界中去了。Dactyl的成功验证了这种迁移学习的方法。使得更多复杂的任务成为可能。在未来，可以将这些任务输入到具有强大运算能力的计算机中去，模拟、学习，而后输出迁移到现实世界中。这将为机械手解锁越来越多的新技能。除了机械手，还有无人机、制造业、甚至自动驾驶汽车，都会从中受益。