谷歌的机器人正在学习如何拾取物品

当婴儿学习抓握东西时，他们会结合两种系统，即视觉和运动技能。这两种机制加上大量的反复试验，就是我们能够以不同于订书机的方式拿起铅笔的原因，而现在机器人也开始以同样的方式学习。

谷歌正在教机器人完成一项简单的任务，即从一个箱子里拾起物品，然后将它们放到另一个箱子里。它们并不是第一个能够拾起物品的机器人，但这些机器人实际上正在根据不断的反馈学习新方法来拾取不同形状、大小和特征的物品。例如，它们已经学会了以不同于硬物的方式拾取软物。

其他项目，如康奈尔大学的 DeepGrasping 论文，会先分析一个物体，找到最佳抓取位置，然后尝试将其拾起，如果失败则再试一次。谷歌的方法会不断分析物体以及机器人手与物体的关系，使其更具适应性，就像人类一样。

这些机器人实际上只是带有大脑的手臂，连接到一个摄像头。它们有两个抓握手指，连接到一个三关节臂上，由两个深度神经网络控制。深度神经网络是一种流行的人工智能，因为它们能够根据大量数据做出预测。在这种情况下，一个神经网络只是查看垃圾箱的照片，并预测机器人的手是否能正确抓取物体。另一个神经网络解释手抓取的效果，因此它可以通知第一个网络进行调整。

研究人员指出，机器人不需要根据不同的摄像头位置进行校准。只要摄像头可以清晰地看到箱子和手臂，神经网络就能进行调整并继续学习拾取物体。

在两个月的时间里，谷歌让机器人拾取了 80 万次物品。每次都有 6 到 14 个机器人在拾取物品，而人类的唯一任务就是重新将物品装入机器人的箱子中。这些物品都是普通的家用物品：办公用品、儿童玩具和海绵。

研究人员在 ArXiv.org 上发表的论文中指出，最令研究人员惊讶的结果是，机器人学会了以不同的方式拾取硬物体和软物体。对于被视为刚性的物体，抓手只会抓住物体的外边缘并挤压以将其紧紧握住。但对于海绵等柔软物体，神经网络意识到将一根抓握手指放在中间，另一根放在边缘周围，然后挤压会更容易。

这项工作与其他抓取机器人的区别在于，它通过持续的直接反馈帮助神经网络学习，几乎不需要人工干预。这使得机器人手臂甚至可以拾起从未见过的东西，而且成功率很高。研究人员记录了机器人拾取新物体的失败率，根据物体的不同，失败率为 10% 到 20%，如果机器人拾取失败，它会再试一次。谷歌的表现比康奈尔大学的 DeepGrasping 项目稍差一些，后者在毛绒玩具等物品上成功率一直很高，但在硬物体上失败率只有 16%。

教会机器人了解周围的世界及其物理极限，对于自动驾驶汽车、自动机器人、送货无人机以及涉及机器人与自然世界互动的所有其他未来理念而言，是一个重要的过程。

接下来，研究人员希望在实验室外的真实条件下测试机器人。这意味着要改变照明和位置、移动的物体以及机器人的磨损情况。