操控物体的机器人依赖摄像机去相识周围的情况，可是这些摄像机平常须要颠末细心的装置和连续的校准跟保护。

克日，由谷歌机器人技巧部分跟哥伦比亚大学的研讨职员配合颁发的一项新研讨提出了一种解决方案，此中波及一种技巧，这类技巧可以经由过程学习利用多台黑色摄像机去实现使命而无需明白的3D抒发。他们默示，与基线比拟，机器人正在停止难题的重叠跟拔出使命上存在精彩的使命机能。

这项最新事情是树立正在谷歌大批的机器人技巧研讨的根底之上。客岁10月，谷歌的科学家颁发了一篇论文，具体先容了一个名为Form2Fit的机械学习体系，其目标是教一个带有吸力臂的拾取机器人将物体组装成套件。谷歌Brain研讨职员正在追求一种新奇的机器人使命计划技巧，他们默示这类技巧可以使机械手操控多个物体。比来，谷歌团队又揭开了ClearGrasp的面纱，这是一种可以资助机器人更好天辨认通明物体的AI模子。

正如研讨职员所指出的那样，直到比来，大多数自动化解决方案仍皆是为刚性设置而计划的，正在这类刚性设置中，反复履行剧本化的机器人举措去挪动到预设定的地位。这类方式须要高度校准的设置，可是这类设置能够既高贵又耗时，而且缺乏处置惩罚情况变更所需的鲁棒性。计算机视觉的先进已使机械手的抓握机能进步，可是诸如重叠，拔出跟周详装置等使命依然存在挑战性。那是因为他们须要对使命情况存在精确的3D多少常识，包罗物体的外形跟姿式，地位之间的绝对距离跟标的目的和其他因素。

相比之下，这个团队的方式应用了多摄像机视图跟强化学习框架，可以从分歧的角度获得图象并以闭环方法发生机器人举措。他们默示，经由过程间接从摄像机视图中停止组合跟学习，而无需中央步调，从而可以改良形态估量，同时进步体系举措的鲁棒性。

正在试验中，研讨职员将他们的安装布置到一个模拟情况中，这个情况包括一个装备有抓手的kuka机器手臂，两个安排正在机器人后面的垃圾箱，和三个可以鸟瞰这些垃圾箱的摄像机。这个机器手臂的第一个使命是将一个垃圾箱与一个零丁的方块重叠放在一个随机的地位，从蓝色或橙色的方块起头。而正在其他使命中，机器手臂的使命是将一个木块牢固地拔出中央的固定装置，并将方块重叠正在另一个之上。

研讨职员正在10张图形卡片上运转了180个数据网络功课，以锻炼他们的强化学习模子，每次功课每小时可发生约5000次的拔出使命。研讨职员的讲述称他们取得了胜利，并大大降低了基于精度的使命的错误率，特别是第一个重叠使命的错误率为49.18％，第二个重叠使命则为56.84％，拔出使命则为64.1％。

论文的合着者写道：“无效应用多种视图可以更周全天窥察与使命相关的潜在状态。咱们的多视图方式可以使RGB摄像机实现3D使命，而无需较着的3D抒发，而且无需摄像机-摄像机跟摄像机-机器人的校准。正在未来，经由过程学习摄像头安排方式，单个挪动摄像头也可以实现近似的多视图劣势。”