一種新的監督學習方法 用于掌握機器人的規劃

猶他大學的研究人員最近開發了一種概率掌握計劃器，可以明確地模擬掌握類型，以實時計劃高質量的精確度和功率掌握。他們在arXiv上預先發表的論文中概述了他們的監督學習方法，可以有效地計劃給定對象的權力和精確度。

對于人類和機器人，不同的操縱任務需要不同類型的抓握。例如，握住諸如錘子之類的重型工具需要提供穩定性的多指動力抓握，而握筆需要多指精確抓握，因為這可以賦予物體靈活性。

在測試他們之前掌握計劃的方法時，猶他大學的研究人員注意到它幾乎總是產生能量抓握，其中機器人的手環繞物體，手和物體之間有大的接觸區域。這些掌握對于完成各種機器人任務很有用，例如在房間的其他地方拾取對象，但在執行手動操作任務時它們沒有用。

“考慮用你的指尖移動你拿著的畫筆或手術刀，”進行這項研究的研究人員之一Tucker Hermans告訴TechXplore。“這些任務需要精確掌握，機器人用指尖握住物體。在文獻中，我們看到現有的方法往往只產生一種掌握，無論是精確還是力量。所以我們開始創造一個抓握合成方法可以同時處理兩者。這樣，我們的機器人可以使用動力抓取來穩定地拾取和放置它想要移動的物體，但是當它需要執行手動操作任務時，精確掌握。

在掌握Hermans和他的同事Qingkai Lu設計的方法中，機器人學會從過去的經驗中預測成功。機器人在不同的物體上嘗試不同類型的抓取，記錄哪些是成功的，哪些是失敗的。然后，該數據用于訓練分類器以預測給定的抓握是否成功。

“分類器將對象的深度圖像和選定的抓握配置(即放置手的位置以及如何塑造手指)作為輸入，”Hermans解釋道。“除了預測成功之外，分類器還會報告掌握在0到1的范圍內取得成功的可信度。當提出要掌握的對象時，機器人通過搜索不同的可能掌握和選擇掌握來計劃掌握分類器預測成功的信心最高。“

Hermans和Lu開發的監督學習方法可以為以前看不見的物體規劃不同類型的抓取，即使只有部分視覺信息可用。他們可能是第一個明確規劃權力和精確抓取的掌握計劃方法。

研究人員評估了他們的模型并將其與不編碼抓取類型的模型進行了比較。他們的研究結果表明，建模抓握類型可以提高生成抓握的成功率，其模型優于其他方法。

“我們相信我們的結果在兩個有意義的方面很重要，”赫爾曼斯說。“首先，我們提出的方法使機器人能夠明確地選擇所需的抓握方式，解決我們要解決的問題。其次，可能更重要的是，將這種掌握型知識添加到系統中實際上提高了機器人能夠成功地抓住物體。因此，即使你只想要一種掌握，比如掌握力量，在學習掌握時仍然有助于知道精確的抓握存在。“

Hermans和Lu設計的方法可以幫助開發能夠產生各種抓握的機器人。這最終將允許這些機器人完成更廣泛的任務，這需要不同類型的對象操縱。

“我們現在正在研究這項工作的兩個直接擴展，”Hermans說。“首先，我們希望檢查建模更多類型的抓取的效果，例如，區分精確抓握的子類型，其特征是手指的不同部分與對象接觸。為了實現這一點，我們計劃用皮膚增加機器人手以便能夠自動檢測接觸的位置。其次，我們希望包含更多信息，以幫助自動選擇適當類型的抓握給定請求的任務。例如，機器人怎么能自動決定它應該使用精確的把握來創建一幅畫，而不需要操作員說出來?