新技术帮助机器人将物体包装到狭小的空间中
任何曾经尝试过将家庭大小的行李装进轿车大小的行李箱的人都知道这是一个难题。机器人也很难完成密集的包装任务。
对于机器人来说，解决包装问题需要满足许多约束条件，例如堆叠行李以防止手提箱从后备箱中翻出、重物不放在较轻的物品上，以及机械臂和汽车保险杠之间的碰撞被避免。
一些传统方法按顺序解决这个问题，猜测一次满足一个约束的部分解决方案，然后检查是否违反了任何其他约束。由于需要采取一系列的行动，并且要收拾一堆行李，这个过程可能非常耗时，不切实际。
麻省理工学院的研究人员使用一种称为扩散模型的生成人工智能形式来更有效地解决这个问题。他们的方法使用一组机器学习模型，每个模型都经过训练以表示一种特定类型的约束。这些模型结合起来生成包装问题的全局解决方案，同时考虑所有约束。
他们的方法能够比其他技术更快地生成有效的解决方案，并且在相同的时间内生成更多数量的成功解决方案。重要的是，他们的技术还能够解决模型在训练期间没有看到的新颖的约束组合和大量对象的问题。
由于这种普遍性，他们的技术可用于教导机器人如何理解和满足包装问题的整体约束，例如避免碰撞的重要性或希望一个物体靠近另一个物体的愿望。以这种方式训练的机器人可以应用于不同环境中的各种复杂任务，从仓库中的订单履行到整理某人家中的书架。
“我的愿景是推动机器人完成更复杂的任务，这些任务有许多几何约束和需要做出更连续的决策——这些都是服务机器人在我们非结构化和多样化的人类环境中面临的问题。借助成分扩散模型的强大工具，我们现在可以解决这些更复杂的问题并获得出色的泛化结果。”电气工程和计算机科学研究生、关于这种新机器学习技术的论文的主要作者 Zhutian Yang 说道。
她的合著者包括麻省理工学院研究生毛佳媛和杜逸伦;Jiajun Wu，斯坦福大学计算机科学助理教授;Joshua B. Tenenbaum，麻省理工学院脑与认知科学系教授、计算机科学与人工智能实验室(CSAIL)成员;Tomás Lozano-Pérez，麻省理工学院计算机科学与工程系教授，CSAIL 成员;资深作者 Leslie Kaelbling，麻省理工学院计算机科学与工程系松下教授，CSAIL 成员。该研究将在机器人学习会议上发表。
约束并发症
连续约束满足问题对于机器人来说尤其具有挑战性。这些问题出现在多步骤机器人操作任务中，例如将物品装入盒子或布置餐桌。它们通常涉及实现许多约束，包括几何约束，例如避免机器人手臂与环境之间的碰撞;物理限制，例如堆叠物体以保持稳定;以及质量限制，例如将勺子放在刀的右侧。
可能存在许多限制，并且它们随着问题和环境的不同而变化，具体取决于对象的几何形状和人类指定的要求。
为了有效地解决这些问题，麻省理工学院的研究人员开发了一种称为Diffusion-CCSP的机器学习技术 。扩散模型通过迭代优化输出来学习生成与训练数据集中的样本相似的新数据样本。
为此，扩散模型学习对潜在解决方案进行小幅改进的过程。然后，为了解决问题，他们从随机的、非常糟糕的解决方案开始，然后逐渐改进它。
例如，想象一下将盘子和器皿随机放置在模拟桌子上，使它们物理重叠。物体之间的无碰撞约束将导致它们相互推开，而定性约束会将盘子拖到中心，对齐沙拉叉和晚餐叉等。
杨解释说，扩散模型非常适合这种连续约束满足问题，因为多个模型对一个物体的姿态的影响可以组合起来以鼓励满足所有约束。通过每次从随机初始猜测开始，模型可以获得一组不同的良好解决方案。
版权声明：本文由用户上传，如有侵权请联系删除！