机器人学习如何在新的情况下表现
机器人用来完成任务的模型在实验室的结构化环境中工作得很好。然而,在实验室之外,即使是最复杂的模型,也可能在新情况下或在难以建模的任务中(如使用绳子和布料等软材料)被证明是不够的。为了克服这个问题,密歇根大学的研究人员发明了一种方法,可以让机器人预测它们的模型何时不可靠,并在发现模型不可靠时进行恢复。
“我们试图教机器人机器人学博士生彼得·米特拉诺说。“当机器人拿起东西并四处移动时,它可能不知道所有东西的物理或几何形状。我们的目标是,即使使用这种有限的动力学模型来描述物体如何运动,机器人仍能完成有用的任务。”
为了使机器人能够处理复杂的物体或环境,工程师通常依靠两种方法之一。
一种方法是收集大量数据,利用这些数据开发一个详细的模型,试图涵盖所有可能的场景。然而,这种完整的动力学模型通常只适用于小的运动和固定的设置。
另一种方法是检查模型的不准确程度,以便生成可能的最佳操作。然而,模型的不准确性是很难测量的,特别是当新的、未建模的项目出现时,如果机器人高估了误差,它可能不正确地决定不可能完成一项任务。
米特拉诺说:“所以你可以试着精确地了解各个地方的动态,你可以试着保守地估计一个模型何时是正确的,或者你可以利用我们的方法,从你的模型是否准确的环境中学习。”
推荐的文章
自学习机器人全速前进
研究人员已经证明,一组小型自主、自学习机器人可以很容易地适应不断变化的环境。他们把这些简单的机器人连接成一条线,然后每个机器人都学会了尽可能快地向前移动。
在实验中,该团队创建了一个简单的绳子动力学模型,当它在开放空间中移动时。然后,他们添加了障碍并创建了一个分类器,该分类器可以学习这个简单的绳子模型何时是可靠的,但不尝试学习更复杂的行为,例如绳子如何与物体相互作用。最后,如果机器人遇到了情况,团队会增加回收步骤——比如,当绳子与障碍物相撞时,分类器就会判定这个简单的模型不可靠。
该团队对他们的简单模型、分类器和恢复方法与当前最先进的全动态方法进行了测试。考虑到在障碍物中拖动一根绳子到目标位置的任务,团队的方法有84%的成功率,而完整动态模型的成功率为18%。
“在我们的方法中,我们从其他科学和机器人领域中获得了灵感,在这些领域中,简单的模型尽管有局限性,但仍然非常有用,”电气工程和计算机科学副教授、机器人研究所核心教员Dmitry Berenson说。
贝伦森说:“在这里,我们有一个简单的绳子模型,我们开发了一些方法,以确保我们在模型可靠的适当情况下使用它。”“这种方法可以让机器人将他们的知识归纳到他们以前从未遇到过的新情况。”
该团队还在两个真实世界的场景中演示了他们的模型的成功:抓住一根手机充电电缆和操纵汽车引擎盖下的软管和皮带。
这些例子也显示了他们的方法的局限性,因为它不能为完全完成任务所必需的联系操作提供解决方案。例如,虽然它可以移动充电线到位,但你需要一个不同的方法来插入手机。此外,由于机器人是通过移动世界中的物体来探索自己的能力,因此机器人必须具备安全约束,才能安全地进行探索。
米特拉诺说,这项研究的下一步是探索一个给定的模型可能有用的其他地方。
“我们已经有了可以把电话线拖过桌子的装置,但我们能把这个模型应用到拖过船的消防水管之类的东西上吗?”
来源:密歇根大学