1
雷鋒網按：本文來自英特爾中國研究院。
別誤會，我們今天要談的可不是玄幻的魔法，而是機器人。
在如今這個高度智能化的時代，無人機已經在為我們記錄生活，自動駕駛汽車也早已開始上路測試，物流機器人正被廣泛推廣。不難發現，機器人與我們的生活聯系得越來越緊密。
然而，機器人產業的迅速發展目前還沒能讓廣大民眾為之歡呼雀躍。對普通民眾而言，機器人的工業運用離他們太遙遠。他們可能也無法理解，在工業上被廣泛使用的機器人為何遲遲無法進入“尋常百姓家”？其實，由于工廠的環境相對單一，工業機器人只需要按照設定好的程序運行就能夠批量完成流水化作業。
車間中的工業機器人
但人類的世界紛繁復雜，這種非結構化環境給機器人高效運行帶來了極大的困難。真正能走進千家萬戶，給大家帶來歡樂與便利的服務型機器人少之又少。拋開復雜程度較高的任務不說，僅僅是讓機器人給我們遞上一杯沏好的熱茶，讓我們能夠憑借指令“隔空取物”，就還有一些技術難點需要被攻克。
為了讓機器人很好地完成取物任務，機器人需要有傳感器來確定物體的位姿。傳感器相當于機器人的眼睛，機器人通過傳感器可以實時獲取環境的RGBD信息。其中事先學習過的環境中物體可以通過神經網絡被識別，并獲得相應的空間位置。 但家庭場景十分復雜，又有各類紛繁的物體，在這樣的環境中機器人如何自動、準確地識別、分割并計算出目標物體的位置及形狀信息仍是一個難題。
僅有一雙眼睛顯然還無法幫助我們實現“隔空取物”。家庭環境中物體多樣，為了適應這些不同種類、不同形狀的物體，機器人還需要一雙靈巧的機械手。在執行抓取任務時，機器人的抓取規劃可以被分為手臂運動規劃和手部抓取規劃兩個部分。
手臂在運動時，需要通過外部傳感器將環境信息導入模擬環境用于避障，通過優化運動路徑，確保手臂能夠安全、高效地運動到機器人抓取所需要到達的位姿。手的抓取姿態，可以借助GraspIt!（用于機械手抓取的開源模擬軟件）等工具模擬生成，也可以通過訓練的神經網絡生成。這些方式都需要保證生成的姿態能夠在理想情況下成功抓取。簡而言之，就是要讓機器人學會在識別出物體之后自己找到抓取物體的路徑，并調整到合適的手勢。可路徑、手勢選擇太多，怎樣才能執行好任務，為此機器人也很糾結。
通過搭載在手臂上的傳感器信號進行機械臂及手爪控制
多變的現實環境很可能造成“將在外，軍令有所不受”的情況。機器人在執行具體任務時所規劃的策略方案可能無法一一復現。此外，機器人獲取的外界數據會存在大量噪聲，預先規劃的策略可能無法保證抓取成功。這時就需要借助搭載在機械手上的傳感器，發揮實時的末端感應和快速調整功能。依據傳感器信息對物體抓取是否穩定進行實時判斷，并且做出相應調整，從而保證抓取的穩定性。如何及時、靈活地處理隨時可能出現的小狀況，正是實現穩定抓取需要解決的問題。如下圖，當研究人員不斷往杯子中增加物體時，機器人會實時調整手指的位置和抓取的力度，從而保證抓取的穩定性。
你一定不想要一個永遠不會舉一反三的機器人。當環境發生變化，你肯定希望它能夠快速學習并適應新的工作環境。實驗室或者工廠的訓練場景無法涵蓋機器人進入家庭之后將會面臨的所有任務。無論是選擇具有更強泛化能力的模型，還是利用模仿學習獲得新的技能，如何讓機器人擁有一顆不斷學習的“最強大腦”也是需要我們努力的方向。
當然，克服了這四大問題以后，要想實現機器人廣泛家用，讓人人都能“隔空取物”，還要考慮一個非常現實的因素，那就是造價。目前，服務型機械臂的普及度逐步提高，更多機械臂廠家開始推出低成本服務臂。相信在不遠的將來，機械臂的成本有望大幅下降。而在機器人手爪領域，目前已得到應用普及的機械夾爪雖然不足以應對紛繁復雜的家庭環境，但是在抓取需求的推動下，其成本也會從現在少則十萬，多則近百萬的情況逐步趨于平價，設計上也會進一步優化。
在機器人這樣綜合的學科領域，軟件、硬件深度整合能夠更加有效地推動技術發展。目前，科研人員正致力于解決機器人抓取操控所面臨的問題，從基于RGBD以及力傳感信息的多傳感器融合入手，利用自主研發的機械手平臺進行與機器人抓取操控相關的技術研究。
雷峰網特約稿件，未經授權禁止轉載。詳情見轉載須知。
