人和機器人的最大差別在哪里？答案是：主動解決問題的能力。例如，有很多研發(fā)技術已經(jīng)非常純熟的移動機器人還是會被一張桌子擋住去路。這類機器人盡管可以感應到桌子的存在，并且已經(jīng)將它識別為障礙物，然后規(guī)劃一條路徑避開它，最后還是會失敗。這是因為機器人只知道要避障！要避障！要避障！卻不知道它們面對的大多數(shù)障礙到底是什么，這些障礙物體是如何運動的，以及應該怎么實現(xiàn)避障。

對此，小編只想說：“生而為人，我是絕對不會因為區(qū)區(qū)一張桌子就吃閉門羹！”這是因為人們都知道，只要把桌子推開，就可以繼續(xù)昂首闊步向前走了——就算這張桌子看起來非常奇怪（比如一只桌腿斷了），人們也可以適應它，并且順利避開它。

在日前舉辦于韓國的2016 IROS 大會上，來自 Google DeepMind 實驗室的 Jonathan Scholz 以及佐治亞理工學院的合作研究團隊展示了一篇叫作《 Navigation Among Movable Obstacles with Learned Dynamic Constraints 》的論文。在這項研究中，他們賦予了移動機械臂與人類相似的避障能力——這些機器人的機械臂可以自己識別障礙，發(fā)現(xiàn)它們自帶的愚蠢小把戲，然后繼續(xù)高冷地走自己的路！

眾所周知，家里和辦公室中的物體總是以不可預測的方式堆積在一起。所以，研究人員在結(jié)構(gòu)化的環(huán)境下（工廠和實驗室中），根本無法對居家和辦公的內(nèi)部環(huán)境進行預測并建立模型，這使得機器人很難學會在這類環(huán)境下到底應該如何避障。即使機器人聰明到可以移開擋路的物體，它的自我適應學習過程也非常復雜。

這個難題在佐治亞理工學院學院得到了解決——由 Charles L. Isbell 和 Henrik I. Christensen 兩位教授領導的研究團隊一直都在教他們的 Golem Krang 機器人，如何在被物體充斥的空間內(nèi)通過使用 Navigation Among Movable Obstacle (NAMO) 路徑規(guī)劃以及 Physics-Based Reinforcement Learning (PBRL) 機制實現(xiàn)自我移動。從本質(zhì)上看來，Krang 機器人可以通過使用一個物理引擎來理解并且預測物體到底會如何運動，然后使用它們獲取到的數(shù)據(jù)對進行適應性地移動，從而讓自己到達目標位置。

來來來！一起圍觀它是如何運作的！千萬別眨眼?。℅if中出現(xiàn)的兩張桌子都帶有可鎖定的腳輪，均為35千克。）

成功！下面這個 Gif 展現(xiàn)了 Krang 機器人第一次嘗試用蠻力通過兩張桌子，然后在失敗后，重新規(guī)劃路徑。

Krang 機器人并不知道當它們開始移動桌子時，這些桌子會整出什么幺蛾子——每次這些桌子都一個不按照常理出牌，要不就是整個卡住，動彈不得；要不就是只有一個滾動腳輪。為了解決這些問題，Krang 機器人在遇到一個新桌子后，就會更新它的物體模型，然后生成最佳的解決方案。

實際上，在以上兩個 Gif 中，Krang 機器人使用的是完全一樣的代碼庫，但是它卻能夠適應不同的環(huán)境。這類的適應性學習行為是人類一直都具備的，在未來，它也是非結(jié)構(gòu)化環(huán)境內(nèi)（家里和辦公室里），機器人與人類和諧相處必備生活技能。

但是，如果 Krang 機器人想要在真正非結(jié)構(gòu)化的環(huán)境里進行適應性學習的話，就不能再依賴由六個攝像機組成的、位于頭頂?shù)囊曈X系統(tǒng)和預編程操作策略了。當然，這是研究人員下一步要解決的問題，就讓我們拭目以待吧！

Via IEEE Spectrum

推薦閱讀：

WRC 2016｜日本東北大學Kazuhiro Kosuge教授：通用型工業(yè)機器人才是未來

這款新品發(fā)布后，大疆在行業(yè)無人機領域又補了一塊大拼圖

生態(tài)小衛(wèi)士：機器貽貝記錄氣候變化長達18年

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。