快速的碰撞探測器可以使機器人成為更好的人類助手

加利福尼亞大學圣地亞哥分校的電氣工程師開發了一種更快的碰撞檢測算法，該算法利用機器學習幫助機器人避免移動物體并實時編織復雜，快速變化的環境。該算法被稱為“Fastron”，其運行速度比現有的碰撞檢測算法快8倍。

由電子和計算機工程教授，加州大學圣地亞哥分校機器人研究所成員Michael Yip領導的工程師團隊將于11月13日至15日在Google總部舉行的第一屆機器人學習年會上展示新算法在加利福尼亞州山景城，該會議將頂級機器學習科學家帶到了一個僅限受邀者參加的活動中。在為期3天的會議期間，葉氏的團隊將舉行一場長時間的會談。

該團隊設想Fastron將廣泛用于在人類環境中操作的機器人，在這些環境中，他們必須能夠流動地移動物體和人。他們正在探索的一個應用是使用達芬奇手術系統的機器人輔助手術，其中機器人手臂將自動執行輔助任務(抽吸，沖洗或拉回組織)而不妨礙外科醫生控制的手臂或病人的器官。

“這種算法可以幫助機器人助手以安全的方式配合手術，”葉說。

該團隊還設想Fastron可用于在家工作的機器人用于輔助生活應用，以及用于游戲和電影行業的計算機圖形，其中碰撞檢查通常是大多數算法的瓶頸。

現有碰撞檢測算法的一個問題是它們計算量很大。他們花費大量時間指定給定空間中的所有點 - 機器人和障礙物的特定3D幾何形狀 - 并對每個點執行碰撞檢查以確定兩個物體是否在任何給定時間相交。當障礙物移動時，計算變得更加苛刻。

為了減輕計算量，Yip和他在加州大學圣地亞哥分校的高級機器人和控制實驗室(ARClab)的團隊開發了一種簡約的碰撞檢測方法。結果是Fastron，一種使用機器學習策略的算法 - 傳統上用于對對象進行分類 - 在動態環境中對碰撞與非碰撞進行分類。“我們實際上不需要知道所有具體的幾何形狀和點。我們需要知道的是機器人當前位置是否發生碰撞，”電氣工程博士Nikhil Das說。Yip小組的學生和該研究的第一作者。

Fastron這個名字來自Fast和Perceptron，它是一種用于執行分類的機器學習技術。Fastron的一個重要特征是它可以非常快速地更新其分類邊界以適應移動的場景，這對于機器學習社區來說一直是一個挑戰。

Fastron的主動學習策略使用反饋回路。它首先創建一個機器人配置空間模型，或C空間，這是顯示機器人可以達到的所有可能位置的空間。Fastron僅使用一組稀疏點來模擬C空間，這些點由少量所謂的碰撞點和無碰撞點組成。該算法然后定義碰撞點和無碰撞點之間的分類邊界 - 該邊界基本上是抽象障礙物在C空間中的位置的粗略輪廓。隨著障礙物移動，分類邊界發生變化。與其他算法一樣，Fastron不會對C空間中的每個點執行碰撞檢查，而是智能地選擇邊界附近的檢查。一旦它對碰撞和非碰撞進行分類，

由于Fastron的模型更簡單，研究人員將其碰撞檢查設置得更加保守。由于只有幾個點代表整個空間，Das解釋說，并不總是確定兩點之間的空間發生了什么，因此團隊開發了算法來預測該空間中的碰撞。達斯說：“我們傾向于制造一種規避風險的模型，并且基本上填補了工作空間的障礙。” 這確保機器人可以在諸如手術的敏感環境中或在家中用于輔助生活的機器人中更加保守。

到目前為止，該團隊已經在計算機上模擬了機器人和模擬中的障礙物。展望未來，該團隊正在努力進一步提高Fastron的速度和準確性。他們的目標是在機器人手術和家庭護理機器人環境中實施Fastron。