帮助机器人学习在新情况下他们能做什么和不能做什么

机器人用于执行任务的模型在实验室的结构化环境中运行良好。然而，在实验室之外，即使是最复杂的模型在新情况下或难以建模的任务中也可能被证明是不够的，例如使用绳索和布料等软材料。

为了克服这个问题，密歇根大学的研究人员创造了一种方法，让机器人可以在不信任模型时进行预测，并在发现模型不可靠时进行恢复。

“我们正试图教机器人利用它所拥有的东西，”机器人学博士彼得·米特拉诺 (Peter Mitrano) 说。学生。

“当机器人捡起东西并四处移动时，它可能不知道所有东西的物理或几何形状。我们的目标是让机器人仍然完成有用的任务，即使使用这种描述事物移动方式的有限动力学模型。”

为了使机器人能够处理复杂的物体或环境，工程师通常依赖两种方法之一。

一个是收集大量数据，用它来开发一个详细的模型，试图涵盖所有可能的场景。然而，这种完整的动力学模型通常只对小动作和固定设置是准确的。

另一种方法是检查模型的不准确程度，以生成可能的最佳操作。然而，模型的不准确性很难衡量，特别是如果出现了新的、未建模的项目，并且如果机器人高估了错误，它可能会错误地确定无法完成任务。

“所以你可以尝试在任何地方准确地学习动态，你可以尝试保守地估计模型什么时候是正确的，或者你可以利用我们的方法，即从与模型准确或不准确的环境交互中学习，”米特拉诺说。

在实验中，该团队创建了一个简单的绳索动力学模型，同时在开放空间中移动绳索。然后，他们添加了障碍物并创建了一个分类器，该分类器会学习这个简单的绳索模型何时可靠，但并未尝试学习绳索与物体相互作用的更复杂行为。最后，如果机器人遇到某种情况(例如绳索与障碍物碰撞时的分析)，该团队会添加恢复步骤，并且分类器确定简单模型不可靠。

该团队针对当前最先进的全动态方法测试了他们的简单模型、分类器和恢复方法。鉴于将绳索拖到障碍物之间的目标位置的任务，该团队的方法成功率为 84%，而完整动态模型的成功率为 18%。

“在我们的方法中，我们从科学和机器人技术的其他领域中汲取灵感，在这些领域中，尽管存在局限性，但简单模型仍然非常有用，”机器人研究所电气工程和计算机科学副教授兼核心教员 Dmitry Berenson 说。

“在这里，我们有一个简单的绳索模型，我们开发了方法来确保我们在模型可靠的适当情况下使用它，”Berenson 说。“这种方法可以让机器人将他们的知识推广到他们以前从未遇到过的新情况。”

该团队还在两个现实世界中展示了他们模型的成功：抓住手机充电线和操纵汽车引擎盖下的软管和皮带。

这些示例还显示了其方法的局限性，因为它没有为完全完成任务所需的联系操作提供解决方案。例如，虽然它可以将充电线移动到位，但您需要一种不同的方法来插入手机。此外，当机器人通过在世界上移动物体来探索其能力时，机器人必须配备安全约束，以便它可以安全地探索。

Mitrano 说，这项研究的下一步是探索给定模型在其他方面可能有用的地方。

“我们的设置可以在桌子周围拖动电话线，但是我们可以应用模型来拖动消防水带之类的东西穿过船吗?”

论文“学习在非结构化世界中何处信任不可靠模型以进行可变形对象操作”，发表在《科学机器人》上。

标签： 机器人学习