南加州大学博士生Eric Heiden与NVIDIA的研究人员合作，为机器人切割创造了一种新的模拟器，可以准确地再现刀在挤压和切割普通食物时所受的力。Eric Heiden / NVIDIA形象。
南加州大学计算机科学系的研究人员在大会上展示了前沿研究成果机器人科学与系统会议(RSS) 2021年7月12日至16日。今年的年度会议以虚拟方式举行，汇集了领先的机器人研究人员和学生，探索机器人、人工智能和机器学习的实际应用。从创建逼真的模拟环境，到在部署前捕捉错误的机器人“工作面试”，再到可以改进机器人手术的切割模拟，南加州大学的研究人员正在探索机器人技术的新途径。
模拟真实切割
博士生Eric Heiden和NVIDIA研究人员公布一种新的机器人切割模拟器它可以准确地再现刀在挤压和切水果和蔬菜等常见食物时所受的力。该系统还可以模拟切割人体组织，为外科机器人提供潜在应用。这篇论文获得RSS 2021年度最佳学生论文奖。
该团队设计了一种独特的方法来模拟切割，方法是在被切割的物体的两半之间引入弹簧，用网格表示。
该团队设计了一种独特的方法来模拟切割，方法是在被切割的物体的两半之间引入弹簧，用网格表示。这些弹簧随着时间的推移被削弱，与刀施加在网格上的力成比例。在过去，研究人员很难创造出能够复制切割行为的智能机器人。
Heiden说:“我们的模拟器之所以是一种特殊的模拟器，是因为它是‘可微的’，这意味着它可以帮助我们从现实世界的测量中自动调整这些模拟参数。”“这很重要，因为缩小这种现实差距是当今机器人专家面临的重大挑战。如果没有这一点，机器人可能永远无法走出模拟世界，进入现实世界。”
为了从模拟转换到现实，模拟器必须能够模拟真实系统。在其中一个实验中，研究人员使用物理机器人的力分布数据集，对刀在现实生活中的移动方式进行高度准确的预测。除了在食品加工行业的应用，机器人可以接管重复切割等危险任务，模拟器还可以提高手术机器人的力触觉反馈精度，帮助指导外科医生，防止受伤。
Heiden说:“在这里，重要的是要有一个精确的切割过程模型，并能够真实地再现作用在刀具上的力，因为不同种类的组织正在被切割。”“通过我们的方法，我们能够自动调整我们的模拟器，以匹配这些不同类型的材料，并实现高度精确的力剖面模拟。”在正在进行的研究中，该团队希望找到节能的方法，将切割动作应用到真正的机器人上。
制造更安全的自主机器人系统
确保自主系统的安全是当今最复杂和最重要的技术挑战之一。无论你是和机器人厨师一起切蔬菜丁，还是驾驶自动驾驶汽车去上班，还是和外科手术机器人一起做手术，都没有出错的余地。
但随着机器人变得越来越复杂和普遍，预测它们在各种可能情况下的行为变得越来越困难。通常情况下，与人类合作的机器人会在实验室中与人类受试者进行测试，以观察它们的行为。但这些实验对机器人长期部署在混乱的现实场景中的行为提供了有限的见解。
“通过创建这些场景生成系统，我希望我们能够足够信任机器人系统，使它们成为我们日常家庭生活的一部分。”马特铺满。
相反，如果你可以在部署之前运行大量的模拟来识别机器人系统中潜在的灾难性错误呢?
在RSS 2021年接受的两篇论文中，博士生Matt Fontaine和他的导师发表了这两篇论文塞浦路斯Nikolaidis他是计算机科学的助理教授，提出一个新的框架生成场景，自动揭示不受欢迎的机器人行为。就像一场艰难的工作面试一样，这些测试让机器人在与人类在安全关键环境下互动之前，先测试它们的能力。
研究人员使用了一类名为“质量多样性算法”的算法来寻找一组多样化、相关且具有挑战性的场景，比如场景是如何安排的，或者人类和机器人之间分配了多少工作量。具体来说，团队试图找到在手动测试系统时不太可能观察到，但在部署时可能发生的故障案例。
“以一种不是系统错的方式破坏一个机器人系统是非常容易的，”方丹说，他在加入南加州大学之前曾在一家自动驾驶汽车初创公司担任模拟工程师。“场景空间充斥着不相关的失败案例，比如司机不合理驾驶，或者现实世界中永远不会出现的道路。我们的方法可以帮助发现相关的故障。”
除了识别在行业标准机器人测试中可能没有出现的错误之外，他们还发现模拟环境可以极大地影响机器人在协作环境中的行为。
Fontaine说:“这是一个非常重要的见解，因为我们都以不同的方式布置我们的房子。”“通过创建这些场景生成系统，我希望我们能够足够信任机器人系统，使它们成为我们日常家庭生活的一部分。”
创造逼真的训练环境
想象一下在你的厨房里教机器人做饭。机器人通过反复试验来学习，需要仔细的监督，以确保它不会打翻盘子或让炉子开着。相反，如果你能在实验室中用适当的安全预防措施训练一个类似的机器人，然后在家里把学到的东西应用到你的机器人身上呢?有一个问题:你家里的厨房和实验室里的厨房是不一样的。例如，它们可能看起来不一样，有不同的炊具，所以机器人必须在新环境中调整烹饪方式。
一篇新论文作者Grace Zhang，博士生，导师约瑟夫Lim他通过虚拟修改训练环境，使其与现实环境相似，帮助机器人轻松地将习得的行为从一个环境转移到另一个环境。
“通过这种方式，我们可以在一个环境中训练机器人，比如实验室，然后直接将训练好的机器人部署在另一个环境中，比如家庭厨房，”张说。
将一个行为从训练环境(上一行)转移到目标环境(下一行)执行五个不同的任务。
以前的研究只处理视觉或物理上的差异，例如，厨房内部或炊具重量的差异，而这项新技术通过同时处理这两种差异，创造了一个更现实的场景。
“我们可以在一个环境中训练机器人，比如实验室，然后直接将训练好的机器人部署在另一个环境中。”格蕾丝。
研究人员希望这些见解能让机器人在其他现实生活中更高效、更实用，比如搜索和救援任务。通过安置在废墟之间，在难以到达的地方进行搜索，地面机器人可以帮助人类救援队快速调查大面积区域或进入危险区域。使用这种新方法，机器人可以在现场收集数据，然后在模拟器中进行额外的训练，使机器人适应特定的地形。
“虽然我们距离在这些关键情况下部署自动化机器人还有很长的路要走，但有办法从可控的训练环境中转移行为可能是第一步，”张说。
机器人通过运动来实现目标
就像人类必须计划他们的行动来完成任何任务一样——从刷牙到冲一杯咖啡——机器人运动规划涉及寻找一条路径，使机器人从当前位置移动到目标位置，而不与任何障碍物碰撞。在自动化行业中，从机器人厨师到仓库机器人和太空机器人，运动顺序对整体目标的成功至关重要。
机器人既能完成简单的拣放任务，也能完成更复杂的拣倒任务。
对于在像家庭这样的环境中工作的机器人来说，快速准确地进行各种运动的能力尤其重要，因为这种环境在结构上没有精心控制。此外，许多机器人任务需要有约束的运动，如保持与手柄的接触，或在运输时保持杯子或瓶子直立。
南加州大学,彼得恩格勒特是一名博士后研究员，他正在研究赋予机器人在很长一段时间内推理和计划运动的能力。恩格勒是由Gaurav Sukhatme弗莱彻·琼斯基金会捐赠主席，计算机科学、电气和计算机工程教授，
“我们的方法……智能地计划如何执行各个子任务，这样机器人就能成功完成整个任务。”彼得Englert
在RSS 2021上发表的一篇新论文中，Sukhatme他们的合著者通过将一个运动分成多个更小的运动来实现这一点，这些运动被描述为关于机器人在环境中的位置的几何约束。重点是:找到何时从一个动作切换到下一个动作。许多操作任务由一系列子任务组成，其中每个子任务可以以多种方式解决。根据子任务的特定解决方案，它可能会影响未来子任务的结果。
本文中的一个运行示例是使用机械臂将杯子从一张桌子搬运到另一张桌子，同时保持杯子的垂直方向，这是一个涉及多个阶段和约束的任务。
“握杯子的方法有很多种，”恩格尔特说。“然而，对于某些抓取，机器人可能无法执行后续的倾倒动作。我们的方法避免了这种情况，并智能地计划如何执行各个子任务，以便机器人成功完成整个任务。”合著者伊莎贝尔·m·拉亚斯(Isabel M. Rayas Fernández)是一名计算机科学博士生，她在一份报告中介绍了这项工作“焦点”。
出版于2021年7月16日
最后更新于2022年5月17日
