关闭机器人抓住循环

澳大利亚布里斯班 - 昆士兰科技大学(QUT)的工程师为机器人开发了一种更快，更准确的方法，可以在杂乱和变化的环境中抓取物体。

新方法使机器人能够快速扫描环境并使用3D图像映射其捕获的每个像素。它基于生成性的卷积神经网络。

“虽然掌握和拾取物体是人类的一项基本任务，但事实证明它对机器来说非常困难，”昆士兰科技大学电子工程和计算机科学教授Jurgen Leitner博士说。“这个世界是不可预测的 - 事情会发生变化，变化和混乱，而且往往会在没有警告的情况下发生。因此，如果我们希望机器人有效，机器人需要能够在非结构化环境中适应和工作。

“我们已经能够在非常受控的环境中对机器人进行编程，以获取非常具体的物品，”Leitner解释道。“然而，当前机器人抓取系统的一个关键缺点是无法快速适应变化，例如当物体移动时。”

神经网络方法通过预测每个像素处的双指抓握的质量和姿势来工作。通过在一次通过中使用深度图像映射其前面的内容，机器人在做出决定之前不需要采样许多不同的可能的抓取，从而避免了长的计算时间。

“在我们的实际测试中，我们在一组先前看不见的具有对抗几何形状的物体上获得了83%的抓握成功率，并且在抓握尝试期间移动的一组家用物品上获得了88%的成功率，”Leitner声称。“在掌握动态杂乱时，我们也达到了81%的准确率。”

根据Leitner的说法，他和他的同事克服了当前深度学习抓取技术的一些局限性。

“例如，在我们的团队2017年赢得的亚马逊采摘挑战赛中，我们的机器人CartMan会查看一个物体箱，决定抓住物体的最佳位置，然后盲目进去尝试挑选它，“莱特纳说。

“使用这种新方法，我们可以处理机器人在大约20毫秒内观察到的物体的图像，这使得机器人可以更新其在何处抓住物体的决定，然后以更大的目的进行更新，”Leitner声称。“这在杂乱的空间中尤为重要。

“这项研究使我们能够使用机器人系统，而不仅仅是在基于机器人功能构建整个工厂的结构化设置中，”Leitner指出。“它还使我们能够抓住非结构化环境中的物体，在这些环境中，事物没有完美的计划和有序，机器人需要适应变化。”

Leitner表示，该技术的潜在应用包括装配线，仓库和水果采摘。“它也可以应用于家庭，因为更智能的机器人不仅可以吸尘或拖地，还可以拾取物品并将其丢弃，”他解释道。