首页 / 【人工智能|技术篇】机器人新型人工智能系统助力机器人适应现实世界空间

体育数码

【人工智能|技术篇】机器人新型人工智能系统助力机器人适应现实世界空间

元宇宙头条中国站 2024-08-17 09:00:00 热度 3643

元宇宙头条

11-14 14:28 494288

据七元宇宙8月15日消息，长期以来，机器人领域一直面临着一项重大挑战：训练机器人在动态的现实环境中有效运作。虽然机器人在装配线等结构化环境中表现出色，但教会它们在家庭和公共场所不可预测的环境中导航已被证明是一项艰巨的任务。主要障碍是什么？训练这些机器所需的多样化现实数据稀缺。

华盛顿大学的一项新进展是，研究人员公布了两款创新型人工智能系统，它们可能会改变机器人在复杂现实场景中的训练方式。这些系统利用视频和照片数据的力量，为机器人训练创建逼真的模拟。

RialTo：为机器人训练创建数字孪生

第一个系统名为 RialTo，它引入了一种为机器人创建训练环境的新方法。RialTo 允许用户仅使用智能手机即可生成“数字孪生”——物理空间的虚拟副本。

华盛顿大学保罗·G·艾伦计算机科学与工程学院助理教授、这项研究的共同资深作者 Abhishek Gupta 博士解释了这一过程：“用户可以使用智能手机快速扫描空间以记录其几何形状。然后，RialTo 创建该空间的‘数字孪生’模拟。”

这个数字孪生不仅仅是一个静态的 3D 模型。用户可以与模拟进行交互，定义空间中不同物体的功能。例如，他们可以演示抽屉如何打开或电器如何操作。这种交互性对于机器人训练至关重要。

一旦创建了数字孪生，虚拟机器人就可以在这个模拟环境中反复练习任务。通过强化学习的过程，机器人可以学会有效地执行任务，甚至考虑到环境中潜在的干扰或变化。

RialTo 的妙处在于它能够将虚拟学习转移到现实世界。Gupta 指出，“机器人可以将学习转移到物理环境中，其准确性几乎与在真实厨房中训练的机器人一样高。”

URDFormer：从互联网图像生成模拟

RialTo 专注于创建特定环境的高精度模拟，而第二个系统 URDFormer 则采用了更广泛的方法。URDFormer 旨在快速且经济高效地生成大量通用模拟。

华盛顿大学博士生、URDFormer 研究的主要作者 Zoey Chen 描述了该系统的独特方法：“URDFormer 扫描互联网上的图像，并将它们与现有的模型配对，例如厨房抽屉和橱柜的移动方式。然后，它会根据最初的现实世界图像预测模拟结果。”

这种方法使研究人员能够快速生成数百种不同的模拟环境。虽然这些模拟可能不如 RialTo 创建的模拟那么精确，但它们提供了一个关键优势：规模。在各种场景中训练机器人的能力可以显著提高它们对各种现实世界情况的适应性。

陈强调了这种方法的重要性，尤其是对于家庭环境而言：“家庭是独一无二的，而且不断变化。这里有各种各样的物体、任务、平面图和在其中移动的人。这就是人工智能对机器人专家真正有用的地方。”

通过利用互联网图像来创建这些模拟，URDFormer 大大减少了生成训练环境所需的成本和时间。这可能会加速能够在各种现实环境中工作的机器人的开发。

机器人训练民主化

RialTo 和 URDFormer 的推出代表着机器人训练民主化的重大飞跃。这些系统有可能大幅降低为现实世界环境准备机器人的成本，使研究人员、开发人员甚至最终用户更容易获得该技术。

Gupta 博士强调了这项技术的普及潜力：“如果你只需用手机扫描机器人，它就能在你家工作，这就使这项技术普及化了。”这种普及性可以加速家用机器人的开发和普及，让我们更接近家用机器人像智能手机一样普及的未来。

这对家用机器人的影响尤其令人兴奋。由于家庭环境多样且不断变化，是机器人面临的最具挑战性的环境之一，这些新的训练方法可能会改变游戏规则。通过让机器人学习和适应个人家庭布局和日常生活，我们可能会看到新一代真正有用的家庭助手能够执行各种任务。

互补方法：预训练和具体部署

虽然 RialTo 和 URDFormer 从不同角度应对机器人训练的挑战，但它们并不相互排斥。事实上，这些系统可以协同工作，为机器人提供更全面的训练方案。

“这两种方法可以相互补充，”Gupta 博士解释道。“URDFormer 对于数百种场景的预训练非常有用。如果你已经对机器人进行了预训练，现在想把它部署到某人的家中，并且成功率可能达到 95%，那么 RialTo 就特别有用。”

这种互补方法允许进行两阶段训练过程。首先，使用 URDFormer 快速生成的模拟，机器人可以接触各种各样的场景。这种广泛的接触有助于机器人对不同的环境和任务形成一般理解。然后，对于特定部署，RialTo 可用于创建机器人将在其中运行的确切环境的高精度模拟，从而可以对其技能进行微调。

展望未来，研究人员正在探索进一步增强这些训练方法的方法。Gupta 博士提到了未来的研究方向：“展望未来，RialTo 团队希望将其系统部署到人们的家中（该系统主要在实验室中进行测试）。”这种真实世界的测试对于完善系统并确保其在不同家庭环境中的有效性至关重要。

挑战与未来前景

尽管取得了令人鼓舞的进展，但机器人训练领域仍然存在挑战。研究人员正在努力解决的关键问题之一是如何有效地结合现实世界和模拟数据。

Gupta 博士承认了这一挑战：“我们仍然需要弄清楚如何最好地结合在现实世界中直接收集的数据（这很昂贵）与在模拟中收集的数据（这虽然便宜，但略有误差）。”我们的目标是找到最佳平衡点，既能充分利用模拟的成本效益，又能保持现实世界数据提供的准确性。

这对机器人行业的潜在影响是巨大的。这些新的训练方法可能会加速开发更强大、适应性更强的机器人，从而有可能在从家庭助理到医疗保健等领域带来突破。

此外，随着这些训练方法变得更加精细和普及，我们可能会看到机器人行业发生转变。小公司甚至个人开发者都可以拥有训练复杂机器人的工具，从而有可能带来创新机器人应用的繁荣。

未来前景令人兴奋，潜在应用范围远远超出目前的用例。随着机器人越来越擅长导航和与现实环境互动，我们可以看到它们在家庭、办公室、医院和公共场所承担越来越复杂的任务。

来源：七元宇宙

编辑：Luke

（声明：请读者严格遵守所在地法律法规，本文不代表任何投资建议）

元宇宙电商虚拟购物

本文来源：元宇宙头条文章作者：元宇宙头条中国站

元宇宙头条中国站

累计发布内容523篇累计总热度10万+

523篇 10万+

关于我们

由元宇宙联邦、元宇宙联邦大学、元宇宙时代和元宇宙头条联合打造的、面对全世界的融媒体“元宇宙头条”APP正式创版上线。

关于我们| 联系我们| 加入我们| 意见反馈

【人工智能|技术篇】机器人新型人工智能系统助力机器人适应现实世界空间

URDFormer：从互联网图像生成模拟

机器人训练民主化

互补方法：预训练和具体部署

关于我们

网站地图