Google 重組機器人研究團隊,這次重點是做軟體

作者 | 發布日期 2019 年 03 月 29 日 9:00 | 分類 AI 人工智慧 , Google , 機器人 line share follow us in feedly line share
Google 重組機器人研究團隊,這次重點是做軟體


Google 的機器人計畫一直不怎麼順利。從 2013 年起就耗巨資,從美國和日本收購幾家機器人新創,合併成名為「Replicant」的機器人計畫,包括知名的波士頓動力公司(Boston Dynamics)。

但好景不長,原本負責機器人計畫的 Andy Rubin 於 2014 年離開 Google,加上波士頓動力的研發涉及軍事,和 Google 當初的民用構想不太符合。2017 年,Google 選擇將波士頓動力轉售給日本軟銀,機器人計畫暫時陷入沉寂。

但 Google 並未止步。據《紐約時報》和 Google AI 官方部落格,Google 內部重新集結原機器人計畫工程師、研究人員,組成名為「Robotics at Google」的團隊,繼續投入機器人研發。

區別在於,和波士頓動力研究的「雙足步行」、「小狗」和「輪式」等仿生機器人不同,Robotics at Google 重點放在機器學習,相當於研發機器人系統和軟體。

Robotics at Google 與普林斯頓、哥倫比亞及麻省理工幾所學院研究人員合作,開發出名為「TossingBot」的物體分揀方案。

具體來說,可讓機器人手臂從一堆繁雜的物體裡正確揀物,再將物體投擲到相應格子。這對電商物流和零件組裝等工業還是有實用價值。

不要小看這對人類來說很簡單的動作,其實整套動作涉及物體辨識、分揀、拾取、拋投等,等於要機器人自己找到抓起每件物品的最佳方式。

研究人員也強調,單純就「拋投」步驟,機器手臂就需具備多種物理知識,才可避免拋投出現失誤。

以螺絲起子為例,握著柄拋投,和握著起子拋投,會出現不同拋物線,拋投距離自然不一樣。

此外,拋投兵乓球所需的力度,與拋投一根香蕉顯然也不同,不僅關係到對物體品質、摩擦力等因素的掌控,也涉及對拋投距離及現場環境的理解。

Robotics at Google 團隊的做法,是將深度學習和物理學混合運用,使用端到端的神經網路訓練機器手臂,做到隨機環境下的分揀處理。

這意味著哪怕機器手臂碰到完全陌生的物體,比如說把木塊換成水果,也有應對方案。

照 Robotics at Google 的說法,最開始 TossingBot 對一籮筐的物體還有些遲鈍,但經過約 14 小時、總計 1 萬次抓取和投擲嘗試訓練後,已達 87% 以上的分揀成功率和 85% 以上的投擲成功率。

現在,它每小時可揀貨超過 500 個物體,彈性、回應速度都比最先進的分揀貨系統快 2 倍,也證明機器學習訓練確實能幫助機器人更快掌握某項技能。

研究人員也表示,這套方案非常適合在物流倉儲和配送中心大量部署,像亞馬遜這類電商公司對分揀機器人的要求往往更高。

不過,將自動化機器人運用到倉儲已不算新鮮事。去年 10 月,日本優衣庫就曾展示機器人倉儲,就是由機器人取代人力做分揀,達成 24 小時連續執行;亞馬遜、沃爾瑪和聯邦快遞等也嘗試將行動機器人運用在搬運工作。

不過,目前大多數機器人只能解決特定場景操作,不擅長應付不同形狀的物體,這也是現在 TossingBot 希望解決的問題。

理想狀態下,人們自然希望機器人靠自學就能做更多工作,而不是每次都要先來一輪預先程式設計。

(本文由 愛范兒 授權轉載;圖片來源:Google AI

延伸閱讀: