機器人能夠對物理定律擁有直覺理解，聽起來可能像艾薩克·阿西莫夫的小說情節。不過，谷歌機器人部門的科學家卻透露，他們已經打造出這樣的機器人。目前，即使是最有能力的機器人，也很難完成投擲、滑動、旋轉、擺動、接球和其他運動技能，但是這些科學家表示，他們的研究工作將為未來的機器人系統奠定基礎。

谷歌學生研究員Andy Zeng在一篇博客文章中寫道：“盡管機器人在高效抓取物體、視覺自適應甚至從現實世界經驗中進行學習等方面已經取得了相當大的進步，但機器人操作仍然需要仔細考慮如何拾取、處理和放置各種物體——尤其是在非結構化的環境中。但是，機器人能不能學會有利地使用動力學，培養物理‘直覺’，從而讓它們更有效地完成任務?”

為了回答這個問題，Zeng和同事們與普林斯頓、哥倫比亞和麻省理工學院的研究人員合作，開發了一種他們稱之為TossingBot的拾取機器人，該機器人可以學會抓取物體并將其扔進“自然范圍”之外的盒子里。它不僅達到了之前最先進模型的兩倍速度，而且實現了兩倍的有效放置范圍，并可以通過自我監督進行改善。

要想實現具有可預測性的投擲并不容易，即使對人類來說也是如此。抓力、姿勢、質量、空氣阻力、摩擦力、空氣動力學和無數其他變量都會影響物體的軌跡。通過反復試驗來模擬射彈物理是有可能的，但Zeng指出，這將耗費大量的計算資源，需要大量的時間，而且不會生成一般普遍的規律。

相反，TossingBot使用射彈彈道模型來估計物體到達目標位置所需的速度，而且它使用端到端的神經網絡——以生物神經元為模型的數學函數層——根據來自頭頂攝像機的視覺和深度數據進行訓練，以此來預測基于估計值的調整度。Zeng說，這種混合方法使系統能夠達到85%的投擲準確度。

教會TossingBot抓取物體有點棘手。首先，它需要反復嘗試“不好的”抓取，直到找到更好的方法，同時通過以前所未有的速度隨機投擲物體來提高投擲能力。經過大約14小時、1萬次抓取和投擲嘗試后，TossingBot可以在大約87%的時間里牢牢抓取放置在雜亂堆積物品中的物體。

或許更令人印象深刻的是，經過一兩個小時的訓練，TossingBot可以適應從未見過的地點和物品，比如假水果、裝飾物品和辦公用品。Zeng說：“TossingBot很可能學會更多地依賴幾何線索(如形狀)來學習抓取和投擲。這些新出現的特性都是自我學習，除了任務級的抓取和投擲之外，沒有任何明確的監督。然而，它們似乎足以使系統區分對象類別(如乒乓球和記號筆)。”

研究人員承認，由于TossingBot使用嚴格的視覺數據作為輸入，如果對易碎物體進行測試，可能會妨礙它在測試中對新物體做出反應的能力。但是他們也表示，結合物理學和深度學習，將會是未來一個有希望的方向。

關鍵詞： 谷歌拾取機器人