尝试不同的行为是经典的学习方法之一。成功或失败决定了采取哪种行为。这一原理也适用于机器人世界。在卡尔斯鲁厄理工学院(KIT)的智能过程自动化和机器人研究所，机器人学习小组(ROLE)专注于机器学习的各个方面半岛app官网。科学家们正在研究机器人如何通过独立试验来学习解决任务。这些方法特别用于学习对象操作，例如在典型的拣箱场景中抓取对象。机器人“头部”的Ensenso N10 3D摄像头提供所需的图像数据。gydF4y2Ba

抓取随机放置的物体是一项中心任务，特别是在工业自动化中。然而，目前的料仓拣选解决方案往往是不灵活的，强烈适应工件被抓住。机器人学习小组的研究项目承诺了一种补救方法，例如，机器人可以独立学习从容器中捡起以前未知的物体。为了学习这样的任务，机器人首先开始随机抓取尝试，就像人类一样。一个神经网络将拍摄的3D图像与成功或不成功的抓取尝试联系起来。对于每个图像，由夹持器中的力传感器确定的夹持结果被存储。AI(人工智能)使用存储的数据来识别物体的有意义的抓取点，从而“训练”自己。与现代强化学习方法一样，大量的数据和多次抓取尝试是必不可少的。然而，KIT的研究人员能够显著减少后者的数量，从而也缩短了学习所需的时间。gydF4y2Ba

*)加强机器领域的学习，在奖励的支持下独立学习策略gydF4y2Ba


正确的握法减少了训练时间gydF4y2Ba
与分析(或基于模型的)抓取方法相比，ROLE机器人不需要预先描述识别所需的特征。然而，它在系统能够成功捕获具有“相似”图像的对象的频率方面起着重要作用。机器人尝试的抓地力对更快的学习成功至关重要。在神经网络的帮助下，可以利用现有知识预测抓取结果。gydF4y2Ba

KIT研究员、机器人学习小组成员Lars Berscheid解释说:“为了一个功能良好的系统，我们目前需要大约20,000次抓握实验，这相当于机器人大约80小时的训练时间。”这些数字是近似值，并取决于许多因素，如随机握持的握持率，这反过来又受到组件几何形状的影响。对于学习系统来说，可用数据的数量是系统能力的限制因素。gydF4y2Ba

“因此，我们研究的一个重要任务是减少必要的抓握尝试次数。因此，这里的核心科学问题是:为了尽可能快地获得尽可能多的信息，从而缩短训练时间，必须尝试哪种握法，”贝沙伊德补充道。gydF4y2Ba

在这一点上，迁移学习也被使用。已经训练好的神经网络的知识可以用于识别以前未知的物体。系统训练对象的数量和范围越大，对未知对象的泛化能力越强。这可以永久消除对应用程序对象进行特定训练的需要。长期目标是控制系统能够独立灵活地掌握任意未知事物，具有工业可靠性。gydF4y2Ba



没有既定模式的学习gydF4y2Ba
这正是今天的垃圾箱拾取解决方案的关键区别。ROLE小组的研究系统在没有被抓取工件的“教授”模型的情况下工作，因此也针对未知物体。原则上，它们的形式和性质没有限制。材料和表面性质的知识也不是必需的，是隐性学习的。这是无模型方法的巨大优势，它既不需要物体的三维形状，也不需要抓握过程的数学建模。它可以灵活地在工业中使用，并且编程工作量少。许多新应用的自动化将成为可能——从内部物流到服务机器人。半岛app官网同时，除了抓握本身之外，还可以实现其他类型的物体操作，例如移动。gydF4y2Ba

机器人学会独立移动物体，以便在下一步中更好地抓住它们。这样可以在不需要任何进一步设备(如摇板)的情况下完全清空一个盒子。gydF4y2Ba

对机器人的训练完全不需要人工干预。实际上，这种学习过程的自动化是最大的挑战之一。只有当系统满足所有要求时，例如给定的周期时间，它才能在生产中有效地使用，当然，还可以进一步学习。gydF4y2Ba

在这里，也有时间优势比通常的过程中，垃圾箱拾取应用程序。一方面，ROLE系统非常快，在计算下一次握持时只需20毫秒。另一方面，减少了系统调试时的手工编程。因此，垃圾箱拾取可以获得相当大的灵活性。gydF4y2Ba

以三维图像数据为基础gydF4y2Ba是gydF4y2Ba
机器人的视觉数据由Ensenso 3D相机提供。它从上方查看容器，容器随机填充一种或多种类型的对象。图像处理系统将高对比度纹理投影到盒子的内容上，并生成从上方可见的表面的3D点云，作为计算灰度深度图像的基础。这一步直接在Ensenso SDK中实现。然后深度图像被缩放到只有12000像素的分辨率，并用作人工智能算法的输入。然后，神经网络负责图像分析和下一步抓箱子的逻辑步骤。gydF4y2Ba

摄像机直接安装在机器人的“头部”，以便能够灵活地实现不同的实验。“我们决定使用Ensenso N10相机，因为该型号允许与物体的最小距离仅为30厘米，并且具有较大的整体距离范围。作为红外范围内的主动式立体摄像机，它也适用于移动场景，符合我们的所有要求，”Berscheid解释了相机型号的选择。Ensenso N10相机坚固紧凑的铝制外壳，带有可旋转的GPIO连接器，用于触发和闪光灯以及USB 2.0连接，配备了两个单色CMOS传感器(全局快门，752 x 480像素)和一个850 nm的红外波长模式投影仪。gydF4y2Ba

预校准并提供MVTec HALCON接口和面向对象的API (c++， c# / . net)， 3D相机的焦距从3.6到16毫米，适用于高达2,000毫米的工作距离，甚至可用于移动物体的3D检测。ROLE小组的研究人员使用Ensenso SDK的NxLib捕获深度图像，并使用OpenCV和TensorFlow对其进行处理。gydF4y2Ba

ROLE小组的研究人员使用Ensenso SDK捕获深度图像，并使用OpenCV和TensorFlow对其进行处理。gydF4y2Ba

前景gydF4y2Ba
KIT开发的方法引领了潮流，但研究人员还没有达到他们的目标。“虽然Bin Picking已经可以可靠地处理螺钉等简单物体，但仍需要进行一些研究才能使产品成熟，特别是在抓取更复杂，未知物体方面。”然而，我们开发的方法是基本的、灵活的，可以用于不同的任务。”自学习系统仍然是机器人研究的中心课题。半岛app官网从面向应用的项目中，科学家们也意识到在生产中需要更大的灵活性，这在机器人技术中经常导致使用更多的传感器，从而也需要更多的图像处理。半岛app官网gydF4y2Ba

在KIT，研究将继续集中在两个中心主题上:一方面，如何改进和加速基本的学习方法。在数字双胞胎的帮助下进行训练，在计算机上进行模拟，然后将其转移到真正的机器人上，以及在不同任务之间进行知识转移等技术都很有前景。另一方面，科学家们正在研究哪些新应用可以更好地自动化，甚至是第一次使用学习型机器人系统。这里有一些令人兴奋的可能性，例如，处理纺织品(握住和折叠毛巾和衣服)，拆卸工业部件(如电机)以进行回收，根据相机数据绘制未知物体，或者处理液体或颗粒介质。这项工作是在模拟中学习，然后转移到真实的机器人。gydF4y2Ba

例如，挑战在于如何进一步提高抓取速率和系统的鲁棒性。“原则上，我们可以通过ROLE系统实现95%以上的抓取率，”Berscheid解释说。这意味着100次抓握中最多有5次是不成功的。现在出现的问题是:能否通过更长的学习时间进一步减少剩余的失败尝试?gydF4y2Ba

另一个重要的问题是系统如何处理深度图像中缺失的3D数据。目前，ROLE团队仅限于从上方垂直抓取对象。但是系统如何使用所有六个自由度呢?新的解决方案也寻求其他典型的挑战，无模型的bin拣选，特别是后续的工艺步骤，如存储或进一步处理的抓取对象。gydF4y2Ba

KIT的科学家们还有很多研究要做，但是这些方法和之前的结果显示了机器学习在工业应用方面的巨大潜力。3D图像处理不可避免地与此相关，并为控制“机器人手”提供重要的基础数据，以达到完美的抓地力。看见了，得救了，学会了——这就是未来。gydF4y2Ba

客户端gydF4y2Ba
卡尔斯鲁厄理工学院(KIT)智能过程自动化和机器人研究所的“角色-机器人学习小组”研究小组处理机器人机器学习领域的不同焦点。半岛app官网这包括强化学习gydF4y2Ba
-运动轨迹策略(T. Kröger)gydF4y2Ba
-用于机器人和机床的对象操作(T. Kröger)gydF4y2Ba
-指由运动轨迹顺序或同时组成的复杂任务(P. Meißner)gydF4y2Ba
该小组对所有上述应用程序的模拟到真实传输特别感兴趣。gydF4y2Ba