一种基于深度学习和物理模拟的机器人折纸方法

A4纸的半谷机器人折叠，具有（a）直观的操作和（b）我们的最 佳操作。直观的半圆形操作轨迹由于纸张的刚度而遭受显着滑动，导致折叠不良。相比之下，我们的最 佳操纵控制器最大限度地减少滑动以实现出色的折叠

为了处理不同的任务，机器人应该能够处理和操纵各种物体和材料，包括纸张。虽然机器人专家已经成功地提高了人形机器人或机器人抓手处理多种材料的能力，但纸张折叠仍然是机器人界很少探索的话题。

加州大学洛杉矶分校（UCLA）的一个研究小组最近创建了一个新的计算框架，允许机器人处理折纸和东方折纸艺术。该框架在arXiv上预先发表的一篇论文中介绍，将深度学习算法与物理模拟相结合。

“尽管在可变形材料处理方面已经有相当多的机器人研究，但纸张的操纵一直是一个相对未被探索的话题，尽管纸张在日常生活中无处不在，”Dezhong Tong和Andrew Choi，两位进行这项研究的研究人员表示。

“关于这一主题的两项最相关的研究是由芬兰阿尔托大学和德国比勒费尔德大学的研究团队进行的。第一个涉及织物，它比纸更容易操作，而第二个专注于折叠纸，但开发了一个复杂的机器人系统，涉及类人操纵器，计算繁重。

Tong，Choi和他们的同事最近的工作是由于缺乏直接有效的机器人折纸系统。因此，该团队的主要目标是创建一个简单但有前途的系统，该系统可以使用单个机器人操纵器折叠纸张。

研究人员提出的机器人控制策略从物理角度“教授”机器人行为，以便它们能够更好地处理涉及物理洞察力操作的任务。更具体地说，该团队在离线环境中训练了一个人工神经网络（ANN），涉及纸张折叠的物理模拟。在训练过程中，网络了解了纸张在不同物理位置受到不同抓握时的“行为”。

“训练数据纯粹是通过基于物理的计算机模拟生成的，”Tong和Choi解释说。“随后，在线和实时，经过训练的神经网络迅速做出预测，从而产生最 佳的操作轨迹。另一个关键的新颖之处是我们使用缩放分析，这是一种从数学物理学中采用的技术，对神经网络的预测进行非维度化。

硬（卡）纸的半谷折叠。（a） 直观的基线操作严重失败，因为纸张的刚度会导致折叠过程中过度滑动。（b） 我们的开环控制算法在基线上实现了显著改进，滑动最小。（c） 我们的闭环控制算法实现了近乎完美的折叠

在本文中，术语“非维度化”是指通过数学物理技术使输入和输出独立于其单位。非量纲数量是无单位的。因此，更改系统的单位不会影响分析。

在本研究的背景下，该过程具有显着的优势。它改进了控制框架的通用化，允许机器人折叠不同厚度或不同几何形状的纸张，而无需对每种类型的纸张进行培训。

此外，非量纲化降低了纸张折叠问题的“维数”。换句话说，它可以更轻松地训练神经网络，同时提高其实时性能。

“鉴于许多可变形物体的高度非线性行为，机器人专家一直在努力开发有效的方法来控制机器人，以满足现实世界的操作任务，例如纸张折叠，”Tong和Choi说。

“我们工作中一个令人兴奋的发现是，机器学习算法和基于物理的缩放分析对于机器人可变形物体操作来说是互补的，并且非常有效。一方面，传统的数学物理模型在处理纸张等物体时，计算成本难以解决，因此在线控制不可行。另一方面，天真地使用机器学习来缓解问题会导致一种控制方案，该方案仅适用于训练数据范围内的场景（即，即使修改了可操纵可变形对象的材料，性能也会急剧下降）。

这组研究人员最近的工作强调了在解决现实世界的机器人对象操作问题时将缩放分析与深度学习相结合的价值。他们的初步发现在准确性和效率方面都非常有希望。

在未来，Tong，Choi和他们的同事创建的框架可以帮助显着增强机器人的物体操作能力。例如，它可以允许他们以先进的方式处理更广泛的物体，包括纸片和其他可变形材料制成的物品。

“据我们所知，我们的框架是第一个利用这种协同方法的框架，我们相信这种方法可以广泛用于各种可变形的操作任务，如电缆管理，打结，机器人kirigami等，”Tong和Choi补充道。“我们希望扩展我们的工作，以涵盖更复杂的折叠任务，例如机器人折纸。一个有趣的目标是使机器人能够将一张纸折叠成不同的结构，例如纸飞机，纸青蛙等。