在朝著可以像人類一樣動態(tài)學習的機器人邁出一步，一種新方法擴展了機器人的訓練數(shù)據(jù)集，這些機器人可以處理繩索和織物等軟物體，或者在雜亂的環(huán)境中工作。

由密歇根大學的機器人研究人員開發(fā)，它可以將學習新材料和環(huán)境的時間縮短到幾個小時，而不是一兩個星期。

在模擬中，擴展的訓練數(shù)據(jù)集將機器人在發(fā)動機組上繞繩子的成功率提高了40%以上，并且?guī)缀跏刮锢頇C器人在類似任務中的成功率提高了一倍。

這項任務是機器人機械師需要能夠輕松完成的任務之一。但是，使用今天的方法，學習如何操作每條不熟悉的軟管或皮帶，將需要大量數(shù)據(jù)，可能需要數(shù)天或數(shù)周的時間收集，UM機器人學副教授、今天在Robotics:Science上發(fā)表的一篇論文的高級作者DmitryBerenson說和紐約市的系統(tǒng)。

在那段時間里，機器人會玩弄軟管——拉伸它，把兩端放在一起，繞過障礙物等等——直到它理解軟管可以移動的所有方式。

“如果機器人需要長時間使用軟管才能安裝它，那么這對于許多應用程序都不起作用，”貝倫森說。

事實上，人類機械師可能不會對需要這種時間的機器人同事印象深刻。因此，Berenson和機器人學博士生PeterMitrano對優(yōu)化算法進行了改造，以使計算機能夠做出我們人類所做的一些概括——預測在一個實例中觀察到的動態(tài)如何在其他實例中重復。

在一個示例中，機器人在擁擠的表面上推動圓柱體。在某些情況下，圓柱體沒有撞到任何東西，而在其他情況下，它與其他圓柱體相撞，它們會相應地移動。

如果圓柱體沒有碰到任何東西，那么該運動可以在桌子上的任何地方重復，其中軌跡不會將它帶入其他圓柱體。這對人類來說是直觀的，但機器人需要獲取這些數(shù)據(jù)。與其進行耗時的實驗，Mitrano和Berenson的程序可以對第一個實驗的結果產生變化，以同樣的方式為機器人服務。

他們專注于偽造數(shù)據(jù)的三個品質。它必須是相關的、多樣化的和有效的。例如，如果您只關心機器人在桌子上移動氣缸，那么地板上的數(shù)據(jù)就無關緊要了。另一方面是數(shù)據(jù)必須是多樣化的——表格的所有部分，所有角度都必須進行探索。

“如果你最大化數(shù)據(jù)的多樣性，它就不夠相關。但如果你最大化相關性，它就沒有足夠的多樣性，”米特拉諾說。“兩者都很重要。”

最后，數(shù)據(jù)必須有效。例如，任何具有兩個圓柱體占據(jù)相同空間的模擬都是無效的，需要將其標識為無效，以便機器人知道不會發(fā)生這種情況。

對于繩索模擬和實驗，Mitrano和Berenson通過將繩索的位置外推到物理空間的虛擬版本中的其他位置來擴展數(shù)據(jù)集——只要繩索的行為方式與初始實例中的相同.僅使用初始訓練數(shù)據(jù)，模擬機器人在48%的時間內將繩索鉤在發(fā)動機缸體上。在對增強數(shù)據(jù)集進行訓練后，機器人成功率達到了70%。

一項用真實機器人探索動態(tài)學習的實驗表明，使機器人能夠以這種方式擴展每次嘗試，在30次嘗試過程中其成功率幾乎翻倍，成功嘗試是13次而不是7次。