一种新的监督学习方法 用于掌握机器人的规划

犹他大学的研究人员最近开发了一种概率掌握计划器，可以明确地模拟掌握类型，以实时计划高质量的精确度和功率掌握。他们在arXiv上预先发表的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权力和精确度。

对于人类和机器人，不同的操纵任务需要不同类型的抓握。例如，握住诸如锤子之类的重型工具需要提供稳定性的多指动力抓握，而握笔需要多指精确抓握，因为这可以赋予物体灵活性。

在测试他们之前掌握计划的方法时，犹他大学的研究人员注意到它几乎总是产生能量抓握，其中机器人的手环绕物体，手和物体之间有大的接触区域。这些掌握对于完成各种机器人任务很有用，例如在房间的其他地方拾取对象，但在执行手动操作任务时它们没有用。

“考虑用你的指尖移动你拿着的画笔或手术刀，”进行这项研究的研究人员之一Tucker Hermans告诉TechXplore。“这些任务需要精确掌握，机器人用指尖握住物体。在文献中，我们看到现有的方法往往只产生一种掌握，无论是精确还是力量。所以我们开始创造一个抓握合成方法可以同时处理两者。这样，我们的机器人可以使用动力抓取来稳定地拾取和放置它想要移动的物体，但是当它需要执行手动操作任务时，精确掌握。

在掌握Hermans和他的同事Qingkai Lu设计的方法中，机器人学会从过去的经验中预测成功。机器人在不同的物体上尝试不同类型的抓取，记录哪些是成功的，哪些是失败的。然后，该数据用于训练分类器以预测给定的抓握是否成功。

“分类器将对象的深度图像和选定的抓握配置(即放置手的位置以及如何塑造手指)作为输入，”Hermans解释道。“除了预测成功之外，分类器还会报告掌握在0到1的范围内取得成功的可信度。当提出要掌握的对象时，机器人通过搜索不同的可能掌握和选择掌握来计划掌握分类器预测成功的信心最高。“

Hermans和Lu开发的监督学习方法可以为以前看不见的物体规划不同类型的抓取，即使只有部分视觉信息可用。他们可能是第一个明确规划权力和精确抓取的掌握计划方法。

研究人员评估了他们的模型并将其与不编码抓取类型的模型进行了比较。他们的研究结果表明，建模抓握类型可以提高生成抓握的成功率，其模型优于其他方法。

“我们相信我们的结果在两个有意义的方面很重要，”赫尔曼斯说。“首先，我们提出的方法使机器人能够明确地选择所需的抓握方式，解决我们要解决的问题。其次，可能更重要的是，将这种掌握型知识添加到系统中实际上提高了机器人能够成功地抓住物体。因此，即使你只想要一种掌握，比如掌握力量，在学习掌握时仍然有助于知道精确的抓握存在。“

Hermans和Lu设计的方法可以帮助开发能够产生各种抓握的机器人。这最终将允许这些机器人完成更广泛的任务，这需要不同类型的对象操纵。

“我们现在正在研究这项工作的两个直接扩展，”Hermans说。“首先，我们希望检查建模更多类型的抓取的效果，例如，区分精确抓握的子类型，其特征是手指的不同部分与对象接触。为了实现这一点，我们计划用皮肤增加机器人手以便能够自动检测接触的位置。其次，我们希望包含更多信息，以帮助自动选择适当类型的抓握给定请求的任务。例如，机器人怎么能自动决定它应该使用精确的把握来创建一幅画，而不需要操作员说出来?