机器人灵巧性的最新进展
人们每天会执行许多任务，比如系鞋带或拧螺丝。但对于机器人来说，学习这些高度灵巧的任务非常困难。为了让机器人在人们的生活中更有用，它们需要更好地在动态环境中与物理对象进行接触。
近日，研究机构发布了两篇关于机器人灵巧性研究的最新人工智能（AI）进展的论文：ALOHA Unleashed，帮助机器人学习执行复杂和新颖的双臂操作任务；以及 DemoStart，它使用模拟仿真来提高多指机械手在真实世界中的性能。
通过帮助机器人从人类示范中学习并将图像转化为行动，这些系统正在为能够执行各种有用任务的机器人铺平道路。
用双机械臂改进模仿学习
到目前为止，大多数先进的 AI 机器人只能使用单臂拾取和放置物体。在新论文中，研究机构展示了 ALOHA Unleashed，它在双臂操作中实现了高水平的灵巧性。使用这种新方法，机器人学会了系鞋带、挂衬衫、修理另一个机器人、插入齿轮，甚至清洁厨房。
双手机器人拉直鞋带并将其系成蝴蝶结的示例。
双手机器人将一件 Polo 衫平铺在桌子上，将其挂在衣架上，然后挂到衣架上的示例。
双手机器人修理另一个机器人的示例。
ALOHA Unleashed 方法建立在 ALOHA 2 平台之上，该平台基于早期 ALOHA（一种用于双手远程操作的低成本开源硬件系统）。ALOHA 2 比以前的系统灵巧得多，因为它有两只手，可以轻松地进行远程操作以进行训练和数据收集，并且允许机器人通过更少的示范学习如何执行新任务。
研究机构还改进了机器人硬件的工效学，并增强了最新系统中的学习过程。首先，通过远程操作机器人的行为来收集示范数据，执行系鞋带和挂 T 恤等困难任务。接下来，应用了一种扩散方法，从随机噪声中预测机器人的动作，类似于图像生成模型生成图像的方式。这有助于机器人从数据中学习，从而独立执行相同的任务。
从少量模拟示范中学习机器人行为
控制一只灵巧的机器手是一项复杂的任务，每增加一个手指、关节和传感器，复杂程度都会增加。在另一篇新论文中，研究机构介绍了 DemoStart，它使用强化学习算法帮助机器人在模拟中获得灵巧的行为。这些学习到的行为对于复杂的实体（如多指手）特别有用。
DemoStart 首先从简单的状态开始学习，随着时间的推移，开始从更困难的状态中学习，直到它尽其所能掌握一项任务。与通常为了同一目的而从真实世界示例中学习所需的模拟示范相比，它学习在模拟中解决问题所需的模拟示范减少了 100 倍。
该机器人在模拟中的多项不同任务上实现了超过 98% 的成功率，包括重新定向显示特定颜色的立方体、拧紧螺母和螺栓以及整理工具。在真实世界设置中，它在立方体重新定向和提升方面达到了 97% 的成功率，在需要高手指协调和精度的插头 - 插座插入任务中达到了 64% 的成功率。
机械臂学习在模拟仿真（左）和真实世界设置（右）中成功插入黄色连接器的示例。
机械臂学习在模拟仿真中拧紧螺栓的示例。
研究机构使用开源物理模拟器 MuJoCo 开发了 DemoStart。在模拟中掌握一系列任务并使用标准技术（如领域随机化）减少模拟到现实的差距后，该方法能够几乎零样本地迁移到物理世界。
模拟中的机器人学习可以降低运行实际物理实验的成本和时间。但设计这些模拟很困难，而且，它们并不总能成功地转化为真实世界的性能。通过将强化学习与从少量示范中学习相结合，DemoStart 的渐进式学习会自动生成一个课程，弥合了模拟与现实之间的差距，使从模拟到物理机器人的知识迁移更加容易，并降低了运行物理实验所需的成本和时间。
为了实现通过密集实验进行更先进的机器人学习，研究机构在一款名为 DEX-EE 的三指机械手上测试了这种新方法，该机械手是与合作企业共同开发的。
与合作团队机器人团队合作开发的 DEX-EE 灵巧机械手图像。
机器人灵巧性的未来
机器人技术是人工智能研究的一个独特领域，它展示了研究方法在现实世界中的有效性。例如，一个大型语言模型可以告诉你如何拧紧螺栓或系鞋带，但即使它被具身到一个机器人中，它也无法执行这些任务。
总有一天，人工智能机器人将帮助人们在家庭、工作场所等地方完成各种任务。灵巧性研究，包括今天介绍的这种高效且通用的学习方法，将有助于使那个未来成为可能。
在机器人能够像人一样轻松、精确地抓取和处理物体之前，还有很长的路要走，但正在取得重大进展，每一项突破性创新都是朝着正确方向迈出的又一步。
