为了让做家务变得更加轻松有趣,斯坦福大学打造了Mobile ALOHA,这是一个创新的家务机器人,专为双手动远程操作而设计,旨在提高烹饪和清洁能力。

懒人狂喜会洗衣做饭的家务机械人来了_机械人_体系 智能写作

跟人抢事情不如帮人做家务

模拟学习在机器人学中显示出巨大的潜力,特殊是在桌面操作方面。
来自斯坦福大学和谷歌DeepMind的研究职员团队通过创建Mobile ALOHA(一个低本钱开源硬件系统,以下简称“ALOHA”)人形系统,在这一领域取得了进展。

这个机器人可以由用户远程操作实行多种活动,并通过模拟学习自主实行。
人类操作员通过远程操作掌握操作机器人手臂来演示任务。
该系统捕获演示数据,并通过端到真个模拟学习来演习掌握系统。
演示显示,演习有素的机器人烹饪三道菜,并完成风雅的任务,如打鸡蛋、切碎大蒜、倒液体、打开蔬菜包装和在煎锅中翻转鸡肉。

ALOHA还可以完成各种家务任务,包括给植物浇水、利用真空吸尘器、装卸洗碗机、从冰箱里取饮料、开门和操作洗衣机。
虽然这些是机器人列出的一些家务,但该开源发明能够完成许多其他尚未宣告的任务,如煮虾或在家里整理东西。

为培训机器人系统供应具有本钱效益的办理方案,ALOHA通过将其安装在轮式底座上来扩展系统。
全体设置包括网络摄像头和带有消费级GPU的电脑,价格约为32,000美元,比现成的双手动机器人便宜得多,后者价格高达20万美元。

ALOHA集成了移动基地和全面的远程操作界面,以实现全身掌握。
该系统旨在仿照繁芜的移动操作任务,这些任务以前利用专注于桌面场景的传统模拟学习技能。
ALOHA的关键特色之一是它能够与已建立的静态ALOHA数据集同时演习,这使其与常规机器人系统不同。
该系统结合监督行为复刻和每项任务的50次演示,实现了令人印象深刻的成功率。

如何拓展家务机器人的智能

最初的ALOHA系统利用一种名为Action Chunking with Transformers(ACT)的架构,该架构从多个视角和联合位置获取图像作为输入,并预测一系列动作。
ALOHA通过输入向量添加运动旗子暗记来扩展该系统。

这些操作许可ALOHA以最小的变动重用以前的深度模拟学习算法。
研究职员写道:“我们不雅观察到,大略地连接根本和手臂动作,然后通过直接模拟学习进行演习,可以产生强劲的表现……详细来说,我们将ALOHA的14-DoF联合位置与移动基地的线性和角速率连接起来,形成一个16维动作矢量。

这项事情还受益于最近方法的成功,这些方法在其他项目的各种机器人数据集上预演习模型。
特殊值得把稳的是RT-X,这是DeepMind和33个研究机构的一个项目,它结合了几个机器人数据集,创建了可以超越其演习数据和机器人形态的通用掌握系统。

研究职员写道:“只管在任务和形态上存在差异,但我们不雅观察到险些所有移动操作任务的正转移,与仅利用ALOHA数据演习的策略比较,实现了同等或更好的性能和数据效率……通过协同演习,我们能够在这些任务上取得超过80%的成功,每项任务只需50次人类演示,与没有协同演习比较,均匀绝对改进34%。

其余,ALOHA 一个关键创新是谷歌在机器人导航和舆图方面的进步。
ALOHA能够利用摄像头和传感器识别家具、物体和墙壁,从而构建室内空间的动态舆图。
它能够在舆图中定位自己,并方案最优路径进行导航。
机器学习使得机器人能够随着韶光的推移,在网络更多感知数据后,改进其舆图和导航能力。

总结

基于ALOHA引发的轰动,Mobile ALOHA项目联合卖力人Tony Z. Zhao亲清闲X(原推特)上放出ALOHA实行任务失落败的***,并称“机器人还没有准备好接管天下!
”虽然机器人厨师的能力确实给人留下了深刻的印象,但仍不完美,它也会把事情弄糟,而且其笨重形状不适宜严密的环境。
再者,其学习新知识仍旧须要人类操作员在环境中进行全面演示。

即便如此,这依旧是机器人系统的重大发展。
未来,研究职员操持通过增加更多自由度和减少机器人体积来改进系统,并探索人工智能模型的变革,这将使机器人能够自我改进并得到新知。