澳大利亚工程师Brisbane - 昆士兰理工大学（QUT）制定了更快，更准确的机器人，以便机器人掌握杂乱和不断变化的环境中的物体。

新方法使机器人能够快速扫描环境并使用3D图像映射其捕获的每个像素。它基于一般掌握卷积神经网络。

“虽然抓住和拾取一个物体是人类的基本任务，但它已经证明了机器非常困难，”QUT电气工程学和计算机科学教授博士说。“世界不是可预测的 - 事情会改变和移动，并经常发生混合，而且经常发生这种情况而不会发生警告。因此，如果我们希望它们有效，机器人需要在非常非结构化的环境中适应和工作。

“我们已经能够在非常受控的环境中编程机器人，以挑选非常特定的物品，”莱特纳解释说。“然而，目前机器人抓握系统的关键缺点之一是无法快速适应变化，例如当物体移动时。”

神经网络方法通过预测每个像素的双指抓握的质量和姿势。通过在单次通过中使用深度图像来绘制它的前面，在做出决定之前，机器人不需要对许多不同可能的掌握来进行采样，避免长计算时间。

“在我们的真实测试中，我们在具有对冲几何形状的一套以前看不见的物体上实现了83％的掌握成功率，以及在掌握尝试期间移动的一组家庭物体上的88％，”乳房leitner。“在动态杂乱中，我们还达到了81％的准确性。”

根据莱特纳的说法，他和他的同事们克服了当前深度学习掌握技术的许多局限性。

“例如，在2017年我们的团队赢得的亚马逊采摘挑战中，我们的机器人卡特曼会调查一下物品的垃圾箱，决定最好的地方是抓住一个物体，然后盲目进去试图挑选它，“莱特纳说。

“使用这种新方法，我们可以处理机器人视图在大约20毫秒内的对象的图像，这允许机器人更新其在掌握一个对象的位置的决定，然后用更大的目的更新，”索赔leitner。“这在杂乱的空间中尤为重要。

“这项研究使我们能够利用机器人系统不仅仅是在整个工厂基于机器人能力构建的结构化设置中，”莱纳指出。“它还允许我们掌握非结构化环境中的物体，而不是完全策划和订购的东西，并且机器人需要适应变化。”

莱特纳表示，该技术的潜在应用包括装配线，仓库和水果拣选。“它也可以在家里应用，因为更聪明的机器人是不仅仅是真空或拖把的楼层，还可以挑选物品并将它们放在外面，”他解释道。