人工智能引导机械手学习如何抓取

Images: FZI

接近附近的物体似乎是一项无意识的行为，但该行为的发生需要一个复杂的神经网络，人类花了数百万年才进化到此。现在，机器人正通过人工神经网络获得同样的能力。在最近的一项研究中，一只机械手通过三种不同的抓取动作“学会”了抓取不同形状和硬度的物体。

这种发展的关键是一种叫做尖峰神经元（spiking neuron）的东西。就像大脑中的真实神经元一样，尖峰神经网络（spiking neural network，SNN）中的人工神经元一起对时间信息进行编码和处理。研究人员研究SNN是因为这种方法可以深入了解生物神经网络的功能，包括我们自己的神经网络。

德国FZI Forschungszentrum Informatik的研究人员Juan Camilo Vasquez Tieck说：“类人机器人或仿生机器人的编程非常复杂。而传统的机器人编程方法并不总是适合利用它们的能力。”

Tieck说，传统的机器人系统必须进行广泛的计算，以跟踪轨迹和抓取物体。但像本文研究的依赖SNN的机器人系统，首先训练的是神经网络，来更好地模拟系统和物体的运动。之后，它通过实时适应运动，更自主地掌握项目。

Tieck和他的同事们的新机器人系统使用了一种现有的机械手，名为Schunk SVH 5-finger hand，它的手指和关节数量与人手相同。研究人员在他们的系统中加入了一个SNN，这个系统被分成几个子网络。一个子网络单独控制每个手指，或弯曲或伸展手指。

对于每个手指，神经电路利用马达的电流和关节的速度来检测与物体的接触。当检测到与物体接触时，控制器被激活以调节手指施加的力。

Tieck说：“这样一来，一般抓取动作可以适应不同形状、刚度和大小的物体。当物体移动或变形时，该系统还可以快速适应抓取运动。”

机器人抓取系统的具体研究成果发表在10月24日的IEEE Robotics and Automation快报上。研究人员的机械手在不知道物体属性的情况下，用三种不同的抓取动作来抓物体。目标物体包括一个塑料瓶、一个软球、一个网球、一块海绵、一只橡胶鸭子、不同的气球、一支笔和一个纸巾袋。研究人员发现，首先，捏捏动作比圆柱形或球形抓取动作需要更高的精度。

Tieck说：“对于这种方法，下一步要做的是整合基于事件的摄像机的视觉信息，并将手臂运动与SNN相结合。此外，我们还想用触觉传感器来伸展手部。”

他说，长期目标是开发“一种系统，可以执行与人类相似的抓取动作，无需对接触点进行密集规划或进行严格的稳定性分析，并且能够利用视觉和触觉反馈来适应不同的物体。”