根据一些科学家的说法,人类确实有第六感。这并没有什么超自然的东西:本体感觉告诉你你的四肢和身体其他部分的相对位置。闭上眼睛,屏蔽所有声音,你仍然可以使用这个内部身体外部的“地图”来定位你的肌肉和身体部位——你有一种天生的它们之间的距离,和它们是如何移动的感觉,超越你的触觉。

这种感觉是非常宝贵的,它使我们能够协调我们的动作。对于人类来说,大脑整合了触觉、热量和肌肉纺锤波的张力等感官,从而让我们建立起这张地图。

复制这种复杂的感觉对机器人专家来说是一个巨大的挑战。我们可以想象用摄像机来模拟视觉,用麦克风来模拟声音,或者用压力垫来模拟触摸。机器人在嗅觉和味觉方面,使用化学传感器可以比我们精确得多,但在机器人身上建立本体感觉,即对自身和身体的感觉,则要困难得多,而且是很大一部分为什么人形机器人这么难搞

同时定位和绘图(SLAM)软件允许机器人使用他们自己的感官来建立他们周围和环境的图像,但他们需要对自己身体位置的敏锐感觉来与之互动。如果发生了意想不到的事情,或者在没有主要感官的黑暗环境中,机器人可能会努力保持自己的位置和方向。人机交互,可穿戴式机器人,精致的应用程序就像手术一样,微小的差异也可能极其重要。

零碎的解决方案

在硬机器人的情况下,这通常通过在每个关节上使用一系列的应变和压力传感器来解决,这些传感器允许机器人确定其四肢的位置。这对于关节数量有限的刚性机器人来说是可行的,但对于更柔软、更灵活的机器人,这一信息是有限的。机器人专家面临着一个两难的境地:机器人运动的每个自由度都需要大量复杂的传感器阵列,还是有限的本体感知技能?

新技术,往往涉及到新的阵列感觉材料机器学习算法为了填补空白,我们开始着手解决这个问题。以托马斯·乔治·瑟鲁塞尔(Thomas George Thuruthel)和他在比萨和圣地亚哥的同事的研究为例,他们从人类的本体感受中获得灵感。在一个新的科学的机器人他们描述了通过机械手指随机分布的软传感器的使用。这种布局很像人类和动物的传感器的不断适应,而不是依赖于来自有限位置的反馈。

这些传感器可以让柔软的机器人对许多不同位置的触摸和压力做出反应,在它扭曲成复杂位置时形成自己的地图。机器学习算法用来解释随机分布的传感器发出的信号:当手指移动时,动作捕捉系统就会观察到它。训练完机器人的神经网络后,它可以将传感器的反馈与动作捕捉系统中检测到的手指位置联系起来,然后可以丢弃这些手指。机器人通过观察自己的运动来理解它柔软的身体可以采取的形状,并将它们翻译成这些软传感器的语言。

“我们的方法的优势在于能够预测软机器人所经历的复杂运动和力(传统方法很难做到这一点),而且它可以应用于多种类型的驱动器和传感器。”迈克尔说击发弹加州大学圣地亚哥分校。“我们的方法还包括冗余传感器,这提高了我们预测的整体稳健性。”

机器学习的使用让机器人专家为这个复杂的、非线性的运动系统的执行器建立一个可靠的模型,这很难通过直接计算软机器人的预期运动来实现。它也类似于人类的本体感觉系统,它建立在冗余的传感器上,随着我们年龄的增长,这些传感器的位置会发生变化。

寻找完美的手臂

纽约哥伦比亚大学的Robert Kwiatkowski和Hod Lipson提出了另一种训练机器人使用身体的方法。在他们的论文中"塑造自我的机器认证自我Task-agnostic最近也发表在科学的机器人他们描述了一种新型的机械手臂。

机械手臂和手越来越灵巧但训练它们掌握大量对象并执行许多不同的任务可能是一个艰巨的过程。这也是一项非常有价值的技能:亚马逊就是这样他对完美的机械手臂非常感兴趣。谷歌连接在一起十几个机器人手臂组成的阵列这样他们就可以分享抓取新物体的信息,部分原因是为了减少训练时间。

单独训练一个机器人手臂来执行每一个单独的任务需要时间,并降低机器人的适应性:要么你需要一个ML算法和一个巨大的经验数据集,或者,更糟糕的是,你需要硬编码数千种不同的动作。Kwiatkowski和Lipson试图通过开发一种具有“强烈自我意识”的机器人系统来克服这个问题:这是一个具有自身大小、形状和运动的模型。

他们利用深度机器学习来做到这一点。机器人一开始并不知道自己的形状或运动的基本物理原理。然后它重复一系列的上千条随机轨迹,记录它手臂的运动。Kwiatkowski和Lipson将其与婴儿一岁时观察自己手和四肢的运动相比较,他们着迷于拿起和操纵物体。

再说一次,一旦机器人训练自己来解释这些信号,并为自己的身体建立一个稳健的模型,它就为下一个阶段做好了准备。使用这种深度学习算法,研究人员然后要求机器人设计策略来完成简单的拾取、放置和书写任务。机器人不再为每一个单独的任务辛苦地训练自己,将自己的能力限制在非常狭窄的环境中,现在机器人可以为更广泛的情况制定策略,如何使用它的手臂,而不需要额外的特定任务训练。

损害控制

在进一步的实验中,研究人员用一个“变形”的部件替换了手臂的一部分,目的是模拟如果机器人受损会发生什么。然后,机器人可以检测到有什么事情发生,并“重新配置”自己,通过再次进行训练练习来重建它的自我模型;然后,它能够执行同样的任务,而准确性仅略有下降。

机器学习技术正在以我们从未见过的方式打开机器人领域。将它们与我们对人类和其他动物如何感知并与我们周围的世界互动的理解结合起来机器人越来越接近真正的灵活和适应性,最终,无处不在。

但正如这些研究显示的那样,在他们能够走出去塑造世界之前,他们需要了解自己。

图片来源:jumbojan/Shutterstock.com

托马斯·霍尼戈德(Thomas Hornigold)是牛津大学物理系的学生。除了探索宇宙之外,他还主持播客《物理吸引力》(Physical Attraction),解释物理学——每次只聊一句。

遵循托马斯: