一种深度学习技术，用于改进机器人抓取物体的方式

大多数成年人类天生能够在环境中拾取物体，并以便于使用的方式握住它们。例如，当他们拿起烹饪用具时，通常会从不会放在烹饪锅或平底锅里的一侧抓住它。

另一方面，机器人需要接受如何在完成不同任务的同时最好地拾取和保持物体的培训。这通常是一个棘手的过程，因为机器人也可能遇到以前从未遇到过的物体。

波恩大学的自主智能系统（AIS）研究小组最近开发了一种新的学习管道，以提高机械臂操纵物体的能力，从而更好地支持物体的实际使用。他们的方法在预打印服务器arXiv上发表的一篇论文中介绍，可能有助于开发能够更有效地处理手动任务的机器人助手。

开展这项研究的研究人员之一Dmytro Pavlichenko表示：“如果一个物体可以使用，它就可以被功能性地抓住，例如：一根食指放在钻头的扳机上。这种特定的抓握可能并不总是可以实现的，因此有必要进行操作。在本文中，我们讨论了用拟人化的手进行灵巧的抓握前操作。”

Pavlichenko和合著者Sven Behnke最近的论文建立在AIS小组之前的研究成果的基础上，特别是在多伦多举行的2019年IEEE-RAS仿人机器人国际会议上发表的一篇论文。作为过去这项研究的一部分，该团队开发了一种复杂的方法，用于双臂机器人重新抓取物体，该方法依赖于多个复杂的手动设计组件。

Pavlichenko解释道：“我们新论文的动机是用神经网络取代如此复杂的管道。这降低了复杂性，消除了硬编码的操作策略，增加了方法的灵活性。”

研究人员在他们的新论文中引入的简化预抓取操作方法依赖于深度强化学习，这是一种高性能且众所周知的训练人工智能算法的技术。利用这项技术，该团队训练了一个模型，使其在抓取物体之前能够灵巧地操纵物体，确保机器人最终能够按照要求以有效的方式抓住物体。

Pavlichenko说：“我们的模型利用多分量密集奖励函数进行学习，该函数通过手指与物体的交互激励物体更接近给定的目标功能抓取。结合基于GPU的模拟Isaac Gym，学习可以快速完成。”

到目前为止，研究人员在一个名为Isaac Gym的模拟环境中评估了他们的方法，发现它取得了非常有希望的结果。在最初的测试中，他们的模型让模拟机器人学会了如何移动手中形状明显的物体，最终找到了在不需要人类演示的情况下操纵它们的最 佳方法。

值得注意的是，Pavlichenko和他的Behnke提出的学习方法可以很容易地应用于各种机械臂和手，同时也支持对许多不同形状物体的操作。因此，在未来，它可以在各种物理机器人上进行部署和测试。

Pavlichenko说：“我们证明，使用一台计算机，只需几个小时的训练时间，就可以学习复杂的类人动态行为。我们未来的研究计划包括将学习到的模型带到现实世界中，在真实机器人上实现类似的性能。这通常非常具有挑战性，因此我们预计，可能需要在真实机器人身上进行额外的学习步骤，以缩小模拟与真实的差距。”