想象一下，你想把一个又大又重的箱子搬上楼。你可能会张开手指，用双手举起箱子，然后用前臂顶住箱子，用胸部保持平衡，用整个身体来操纵箱子。人类通常擅长全身操纵，但机器人却很难胜任此类任务。对机器人来说，盒子可能接触到搬运者手指、手臂和躯干上任何一点的每一个位置，都代表着一个接触事件，机器人必须对其进行推理。由于潜在的接触事件数以亿计，这项任务的规划工作很快就变得难以完成。

现在，麻省理工学院的研究人员找到了一种简化这一过程的方法，这种方法被称为“富接触操纵规划”。他们使用了一种称为平滑的人工智能技术，这种技术能将许多接触事件归纳为数量较少的决策，从而使即使是简单的算法也能为机器人快速确定有效的操纵计划。

利用整只手而不是指尖，来操纵物体

麻省理工学院的研究人员开发了一种AI技术，可以使机器人制定复杂的计划，可以利用整只手而不仅仅是指尖来操纵物体。这项被称为接触丰富的操作计划的过程非常复杂，因为机器人必须推理它的手指、手臂和躯干上的数十亿个潜在接触点。新技术通过总结许多接触事件来简化这个过程，使即使是一个简单的算法也可以快速识别出一个有效的操作计划。

尽管这项技术还处于早期阶段，它可能使工厂能够使用整条胳膊或身体来操纵物体的更小、更移动的机器人，而不是只能用指尖抓住东西的大型机械手臂。这可能有助于降低能源消耗和成本。此外，这种技术对于被送往火星或其他太阳系天体的探测机器人也很有用，因为它们可以使用仅需载板计算机快速适应环境。

研究人员将他们的方法与一种可以高效搜索机器人所有可能决策的算法相结合。这样，计算时间被缩短到大约一分钟。他们首先在模拟中测试了这种方法，机器人手被分配诸如移动笔到期望位置、打开门或拿起盘子等任务。在每种情况下，他们的基于模型的方法都达到了强化学习的同等性能，但时间只有其的一小部分。当他们在真实机器人手臂上测试这种模型时，也看到了类似的结果。

尽管这种模型依赖于对真实世界的一个更简单的近似，因此无法处理非常动态的运动，但它对于较慢的操作任务非常有效，可在很大程度上减少计算时间。研究人员计划在未来提高这项技术，以便它可以处理高度动态的运动。

电气工程和计算机科学（EECS）研究生H.J.特里·苏（H.J.Terry Suh）是关于该技术的论文的共同主要作者，他说：“如果我们能够使用模型来利用这类机器人系统的结构，而不是将其视为一个黑箱系统，那么就有机会加速尝试做出这些决定的整个过程，并提出富接触的操控计划。”

和Suh一起参与该论文的还有共同首席作者庞涛博士，他是波士顿动力人工智能研究所的机器人专家；EECS研究生杨路杰（Lujie Yang）；资深作者Russ Tedrake是EECS、航空航天和机械工程的丰田教授，也是计算机科学和人工智能实验室（CSAIL）的成员。这项研究发表在本周的《IEEE机器人学报》上。

“富接触的操纵行为规划”，是如何实现的？

研究人员表示，这种类型的学习采用黑箱方法，因为系统必须通过试错来学习世界上的一切。它已经被有效地用于富接触的操作行为规划，其中机器人通过强化学习，可以掌握特定方式移动物体的最佳方式。“强化学习可能需要经历数百万年的模拟时间，才能真正学会一项策略，”苏补充道。另一方面，如果研究人员利用他们对系统的知识结合他们希望机器人完成的任务，专门设计了一个基于物理学的模型，该模型包含了关于事物的结构，可以使其更有效率。

然而，当涉及到富接触的操作规划时，基于物理学的方法不如强化学习来得有效——苏和庞涛想知道为什么。他们进行了详细的分析，发现一种被称为“平滑”的技术使强化学习表现得如此出色。机器人在决定如何操纵物体时所做的许多决定在大计划中并不重要。例如，一个手指的每一个微小的调整，无论是否导致与物体的接触，都不是很重要。这样，中间的控制数据就可以“平滑”处理，去掉许多不重要的中间决策环节，留下一些重要的决策。

强化学习通过尝试许多接触点来执行“平滑计算”，然后计算结果的加权平均值。基于这一见解，麻省理工学院的研究人员设计了一个简单的模型，该模型执行类似的平滑计算，使其能够专注于核心机器人-物体交互并预测长期行为。他们表示，这种方法在生成复杂计划方面与强化学习一样有效。

尽管平滑计算大大简化了决策，但搜索剩余的决策仍然是一个困难的问题。因此，研究人员将他们的模型与一种算法相结合，该算法可以快速有效地搜索机器人可以做出的所有可能的决定。有了这种组合，在标准笔记本电脑上，计算时间缩短到大约一分钟。

他们首先在模拟中测试了他们的方法，在模拟中，机器手被赋予了一些任务，比如将笔移动到所需的配置，打开门，或者拿起盘子。在每个实例中，他们的基于模型的方法实现了与强化学习相同的性能，但时间只有一小部分。当他们在真实的机械臂上测试他们的硬件模型时，他们看到了类似的结果。

使全身操作成为可能的想法也适用于用灵巧的、像人一样的手进行规划。泰德雷克说，以前，大多数研究人员说，强化学习是唯一可以扩展到灵巧手的方法，但特里和庞涛表明，通过从强化学习中获得（随机）平滑的关键思想，他们也可以使更传统的规划方法工作得非常好。

然而，他们开发的模型依赖于对真实世界的更简单的近似，因此它不能处理非常动态的运动，例如物体下落。例如，他们的方法虽然对较慢的操作任务有效，但无法创建一个能让机器人把易拉罐扔进垃圾桶的计划。在未来，研究人员计划增强他们的技术，使其能够处理这些高度动态的运动。这项工作得到了亚马逊、麻省理工学院林肯实验室、美国国家科学基金会和Ocado集团的部分资助。

人工智能，推动人形机器人高水平发展

人形机器人作为机器人的最高级形态，是衡量科技创新和高端制造业水平的重要标识。当前，以人形机器人和通用人工智能为代表的新技术、新产品、新业态蓬勃发展，正成为全球科技创新的制高点，未来产业的新赛道和经济增长的新引擎。

“通用人工智能技术取得突破性的进展，为人形机器人的创新发展提供了重要的驱动，人类正在迎来人形机器人与通用人工智能融合发展的热潮。”工业和信息化部副部长徐晓兰在2023世界机器人大会“智创未来—人形机器人技术与产业发展论坛”上致辞时表示，工业和信息化部将发挥制造业门类齐全、应用场景丰富、市场规模庞大等优势，坚持应用牵引、整机带动、软硬协同、生态构建的工程化路径，推动人形机器人技术和产业高水平的发展。

人形机器人是集机械、材料、电子、控制、智能、仿生等多学科交叉的产物，产业带动性强，但技术难度也高。在人形机器人的软件方面，今年以来，人工智能大模型技术的发展，为人形机器人的产业落地提供了技术支撑。中国电子学会副秘书长梁靓表示，“从去年开始，人形机器人企业数量多了起来，目前是快速迭代升级的过程。AI大模型、具身智能等技术与机器人的有机结合，让我们看到了很多双足行走的机器人，未来具身机器人可能是产业风口和发展方向。”

“要让通用人工智能真正发挥力量，需要依托具身的实体，让它与物理世界相交互，带来更大价值。”2000年图灵奖获得者、中国科学院院士、清华大学交叉信息研究院院长姚期智表示，人类的社会环境主要是为 “人”定制的，具身通用人工智能最合适的 “身体”自然是人形机器人。而一个理想的具身智能体，应具备由传感器和执行器组成的 “身体”，主导视觉、触觉各种感知的 “小脑”和主导逻辑推理、决策、语言等的 “大脑”三部分。

当下，国产人形机器人已经从一个新兴领域，逐渐成为国内外的焦点。它不仅代表了技术的进步，更代表了人类对未来的期待和探索。未来，机器人将在社会中扮演越来越重要的角色。而在这一进程中，国产品牌或许已经做好准备，迎接这个充满无限可能的未来。

文章来源： AI寥哉，站长之家，中国产业经济信息网