谷歌垃圾分类机器人来了!可在办公室来回游走捡起垃圾,并分门别类

导读

近日,Alphabet X 团队(以前的Google X)研制出垃圾分类机器人,可以在办公室里来回游走捡起垃圾,并把垃圾分门别类。实验显示,这款垃圾分类机器人可以把办公室的废物污染水平从20%降低到5%以下。

作者:pumpkin 酱

干垃圾?湿垃圾?可回收垃圾?有害垃圾?

各个城市的垃圾分类进行得如火如荼,到2020年底,还有46个城市要加入垃圾分类大军。不少小伙伴的每日灵魂拷问已经变成了:“你是什么垃圾?”真是想想就让人头秃。

好在,谷歌传来新消息,Alphabet的X 团队(以前的Google X)研制出了垃圾分类机器人,简直是“垃圾分类综合症患者”解放双手的福音!

自行拾取垃圾并进行分类

近几个月,Alphabet X的垃圾分类机器人一直在对堆肥、回收物和初步使用的堆填区废物进行分类。这些带轮子的机器人可以自行在办公室中移动着搜寻垃圾,并利用计算机视觉和机械手臂相结合,对垃圾进行分类。

机器人可以在办公室中自行移动。

可以自行抓取塑料瓶进行分类。

可以从放置废弃纸杯的盒子中抓取易拉罐将其准确放置到放其他易拉罐的盒子中。

“在过去的几个月里,我们的机器人对成千上万块的垃圾进行了分类,把我们办公室的废物污染水平从20%降低到了5%以下。Alphabet X机器人项目负责人Hans Peter Brondmo表示。

垃圾分类机器人原理

垃圾分类机器人融合了多种机器人技术,除了大家已经熟知的计算机视觉技术感知功能、自动驾驶技术等,为了让机器人更灵活掌握抓取、开关等动作,Alphabet X还做了很多有趣的尝试。

①从遥控游戏数据中学习

在遥控游戏数据中学习可以作为扩大多任务机器人技能学习的一种方法。游戏的多样性对寻求学习控制的方法提出了多模式挑战。

Alphabet X此次并没有编写让机器人识别不同种类物品的复杂指令,而是通过反复试验,让机器人自己找出问题的答案。

根据Play-LMP算法,机器人能够执行指定的复杂操作任务,平均成功率达85.5%。这远胜过通过专家演示训练的单个模型70.3%的成功率。

尽管从未接受过任务标签的培训,但机器人学会了围绕功能性任务组织其潜在计划空间。

②和其他机器人学习

机器人学习并实现复杂技能,其中一个非常简单粗暴的方法就是让不同机器人之间能够共享经验。通过无模型的强化学习,机器人可以根据经验不断优化自身的策略来完善技能。

比如要学习开门的动作,机器人的目标是运动到指定的位置,然后完成开门动作。

在学习过程中,每个机器人都安装了同一个神经网络,机器人通过查询这个网络,来快速计算各种动作的潜在价值,以选择合适的动作来执行。所有机器人的经验都被上传到中央服务器,更多的数据让神经网络能够更加清楚“动作”和“结果”间的联系,从而对不同状态下各种动作的结果有更准确的评价。

经过几次改进之后,机器人们就都学会了开门这项技能。

③利用模拟训练数据

无论是无模型学习还是机器人的其他学习,都需要大量的数据训练。而众所周知的是,机器人技术领域的数据收集成本很高。这种情况下,利用模拟训练来生成大量带标签的数据就成了一种节省成本的有效选择。

借助随机到规范的适应网络(Randomized-to-Canonical Adaptation Networks,简称RCANs),我们可以将随机渲染的图像转换为等效的非随机规范版本,进而将真实图像也转换为规范的SIM图像。这样在模拟训练中的抓取数据就可以转移到实际训练中,抓取成功率可达70%。

如果,再结合5000次在真实世界中抓取的数据,对模型进行微调,那么成功率将达到91%。这相当于在真实世界抓取58万次得到的数据结果,直接节省了99%的真实实验。

Alphabet X的日常机器人项目

Alphabet X的垃圾分类机器人并非个例。AMP Robotics为其自动化垃圾分类的人工智能融资了1600万美元。垃圾分类计算机视觉系统Oscar正在试用于企业园区。此外,麻省理工学院研发的系统可通过触觉识别纸张、塑料和金属等可回收材料。垃圾分类机器人的研究在不断推进。

然而对于AlphabetX来说,垃圾分类机器人仅是其“日常机器人项目(Everyday Robot Project)”中的一个。Alphabet X的“日常机器人项目”,旨在开发“通用学习机器人”,在日常生活中为人们提供便利。比如让机器人收拾衣橱中的衣服或者收拾厨房、洗碗……

显然,这听起来难度很大。不过好在垃圾分类机器人已经迈出了第一步。道阻且长,行则将至。

参考链接:

https://learning-from-play.github.io

https://arxiv.org/abs/1812.07252

图片源自网络

本文版权属于机器人大讲堂

未经授权禁止转载

END
(0)

相关推荐