Google DeepMind 近日发表了两项最新的人工智能 (AI) 进展，目的提升机器人的灵巧度，让机器人能更精准地操控物体，运行更复杂的任务。这两项名为 ALOHA Unleashed 和 DemoStart 的 AI 系统，分别专注于双臂操作和多手指机械手的仿真学习。
ALOHA Unleashed：让机器人学会双手操作
一直以来，先进的 AI 机器人大多只能使用单臂进行拾取和放置物体等简单动作。而 Google DeepMind 最新推出的 ALOHA Unleashed 系统，则赋予了机器人双臂协调操作的能力，使其能够运行更精细、更复杂的任务。
ALOHA Unleashed 系统创建在 ALOHA 2 平台之上，该平台源自史丹佛大学开发的低成本开源双手遥控操作硬件系统 ALOHA。
与之前的系统相比，ALOHA 2 拥有两只更灵活的机械手臂，可以轻松进行遥控操作，用于训练和数据收集。这让机器人能够通过更少的演示次数，就能学习新任务。
ALOHA Unleashed 的训练过程包括数据收集和机器学习两个阶段。
首先，研究人员通过远程操控机器人运行系鞋带、挂衣服等复杂任务，收集演示数据。
接着，他们运用类似于 Imagen 模型生成图像的扩散方法，从随机杂讯中预测机器人的动作，帮助机器人学习数据并独立运行相同的任务。
通过 ALOHA Unleashed 系统，Google DeepMind 的机器人已经学会了许多需要双手协调才能完成的任务，例如系鞋带、晾衣服、修理其他机器人、插入齿轮，甚至清理厨房。
DemoStart：少量仿真学习，提升机器人灵活性
控制一只灵巧的机械手本身就是一项复杂的任务，而随着手指、关节和传感器的增加，任务的复杂性也会随之提升。
为了解决这个问题，Google DeepMind 推出了一项名为 DemoStart 系统。
该系统使用强化学习算法，帮助机器人在仿真环境中学习灵活的操作行为，尤其适用于多指机械手等复杂的机械结构。
DemoStart 会先从简单的状态开始学习，随着时间推移，逐渐学习更困难的状态，直到完全掌握任务。
与从现实世界范例中学习相比，DemoStart 只需要 1/100 的仿真演示次数就能在仿真环境中学会解决相同的任务。
在仿真环境中，机器人已经成功学会了多种任务，例如将特定颜色的方块重新定向、拧紧螺母和螺栓以及整理工具，成功率超过 98%。
在现实环境中，机器人在方块重新定向和擡起任务中也达到了 97% 的成功率，在需要高度手指协调和精准度的插座插入任务中则达到了 64%。
DemoStart 是基于 Google DeepMind 的开源物理仿真器 MuJoCo 所开发。
通过结合强化学习和少量演示学习，DemoStart 的渐进式学习方法可以自动生成「课程」来弥补仿真与真实的差距。随着学习的进展，DemoStart 会逐步增加仿真环境的复杂度，使其越来越接近真实世界。并将知识从仿真环境转移到实体机器人，以此减少运行物理实验所需的成本和时间。
为了进行更深入、更高端的机器人学习实验，Google DeepMind 还与 Shadow Robot 合作开发了一款名为 DEX-EE 的三指机械手，并使用 DemoStart 对其进行了测试（即本文首图）。
机器人灵巧度的未来
Google DeepMind 指出，机器人技术是人工智能研究的一个独特领域，它展现了人工智能方法在现实世界中的应用效果。例如，大型语言模型可以告诉你如何拧紧螺栓或系鞋带，但即使它被嵌入到机器人中，它也无法亲自运行这些任务。
Google DeepMind 相信，总有一天，人工智能机器人将能够在家中、工作场所和其他更多场景中帮助人们完成各种任务。而灵巧度研究，包括文中提到的高效和通用的学习方法，将有助于实现这一目标。
尽管距离机器人能够像人类一样轻松、精准地抓取和操控物体还有很长的路要走，但 Google DeepMind 的研究成果无疑是迈向这一目标的重要一步。
免责声明
本文内容(图片、文章)翻译/转载自国内外资讯/自媒体平台。文中内容不代表本站立场，如有侵权或其它，请联系 admin@eiefun.com，我们会第一时间配合删除。