加州大学伯克利分校发现，神经网络加运动计划等于更有用的机器人

听这篇文章

在过去的一年中，锁定措施和其他COVID-19安全措施使在线购物比以往任何时候都更加受欢迎，但是需求飞涨，使许多零售商在确保仓库员工安全的同时，也难以履行订单。

加州大学伯克利分校的研究人员创造了新的 人工智能 该软件使机器人能够快速，熟练地掌握和平稳移动物体，使它们能够在仓库环境中迅速为人类提供帮助。在今天在线发表在该杂志上的一篇论文中描述了神经网络技术 科学机器人.

自动化仓库任务可能具有挑战性，因为人类自然会采取许多行动，例如确定在何处以及如何拾取不同类型的物体，然后协调将每个物体从一个位置移动到另一个位置所需的肩部，手臂和腕部运动。对于机器人来说实际上是非常困难的。 机器人运动 也会变得生涩，这会增加损坏产品和机器人的风险。

“仓库仍然主要由人操作，因为机器人仍然很难可靠地抓住许多不同的物体，” 肯·戈德堡，加州大学伯克利分校工程学特聘教授小威廉·弗洛伊德（William S. Floyd Jr.）是该研究的资深作者。在汽车装配线中，相同的动作一遍又一遍地重复，因此可以自动化。但是，在仓库中，每个订单都是不同的。”

神经网络是实现平滑运动的关键

在早期的工作中，戈德堡和加州大学伯克利分校的博士后研究员 杰弗里·伊奇诺夫斯基 创建了一个Grasp-Optimized运动计划器，可以计算机器人应如何拾取对象以及如何移动以将对象从一个位置转移到另一位置。

但是，此计划程序生成的动作有些生涩。虽然可以调整软件的参数以生成更平滑的运动，但是这些计算平均需要大约半分钟的时间来计算。

在这项新研究中，Goldberg和Ichnowski与加州大学伯克利分校的研究生Yahav Avigal和本科生Vishal Satish合作，通过集成深度学习神经网络大大缩短了运动计划器的计算时间。

神经网络使机器人可以从示例中学习。后来，机器人通常可以推广到相似的对象和运动。

但是，这些近似值并不总是足够准确。 Goldberg和Ichnowski发现，可以使用运动计划器优化由神经网络生成的近似值。

“神经网络只需几毫秒即可计算出近似运动。它’s very fast, but it’可能不准确。”伊奇诺夫斯基说。 “但是，如果我们随后将该近似值输入到运动计划器中，则运动计划器只需进行几次迭代即可计算最终运动。”

通过将神经网络与运动计划器结合使用，团队将平均计算时间从29秒减少到80毫秒，即不到十分之一秒。

行业将从机器人技术改进中受益

NSF国家机器人计划奖1734633：可扩展协作人机学习（SCHooL）以及Google和Google的捐款为这项工作提供了部分支持。 丰田研究所.

Goldberg预测，借助神经网络改进的运动控制和其他技术改进，机器人可以在以下方面提供帮助： 仓库 未来几年的环境。

“由于以下原因，购买杂货，药品服装和许多其他东西的购物发生了变化 新冠肺炎，即使大流行结束后，人们仍可能会继续以这种方式购物。”戈德堡说。 “这是机器人为人类工作者提供支持的令人兴奋的新机会。”