一组AI研究人员创建了一种方法，供人类训练机器人使用廉价的免费材料，以扩大训练数据的收集范围并实现广泛采用。该实验利用电线杆上的抓取器设备，残疾人，老年人和其他通常用来抓住无法触及的东西的人。作者将GoPro摄像机安装到设备上，以记录工作中的抓手手指。他们使用数据在以前看不见的环境中操纵或堆叠以前看不见的对象。 作者称他们的方法为“使用辅助工具演示”(DAT)框架，并说它是新颖的，因为它允许几乎在任何地方收集训练数据，而不仅仅是像以前的现有方法那样在实验室中进行收集。卡内基梅隆大学，Facebook AI Research，纽约大学和加州大学伯克利分校的作者周二出版了标题为“视觉模仿变得容易”的预印本。
他们说，研究人员选择在高科技机器人研究中使用技术含量低的抓取器，因为它是一种廉价且普遍使用的“机器人”，无需培训即可使用。如今，Reacher-grabber工具在网上的价格约为10美元，可用于在家中做很多事情，例如打开门，打开抽屉或抓住并移动各种物品。该研究中使用的Handi-Grip伸臂抓取器的成本为18美元。 Google和哥伦比亚大学的研究人员提出了一个想法，即在末端使用带有抓握工具的杆子，该杆子于6月被接受发表。 为了训练模型，他们通过3D打印的支架将GoPro摄像机连接到了撑杆，并记录了1,000次移动物体或完成任务的尝试。一旦他们收集了视频，研究人员就使用它们来训练卷积神经网络，该神经网络被应用于配备了摄像头和与触角抓取器相同类型的两指抓取夹具的机械臂。最后，他们在训练数据中添加了数据增强功能，例如随机抖动，裁剪和旋转，以在实验室环境中进行测试时获得更高的成功率。他们使用行为克隆和监督学习来训练模型的策略设置。 “鉴于这些视觉演示，我们使用了来自Motion(SfM)方法的现成结构以及使用训练有素的手指检测器的夹持器配置来提取工具轨迹。一旦我们提取了刀具轨迹，就可以使用标准的模仿学习技术来学习相应的技能。” 在该过程结束时，该系统将物体从桌子上推到目标位置的成功率达到了87.5%，堆叠性能达到了62.5%。在某些情况下，人类在测试时进行了干预，试图诱使机器人无法完成任务。 视觉模仿学习试图训练机器人根据输入数据(例如完成任务的照片或视频)所显示的内容来做事。现有的方法包括动觉教学，但是这可能是缓慢而困难的，并且需要更多的人工。 作者认为，这些方法也可能很昂贵，并且不如在现实环境中使用数据训练的AI有用。通常认为，使用最便宜的机器人技术可以使访问民主化，并在生产中可用时允许更广泛地采用AI系统。 DAT框架方法在培训人们在家中操作的各种机器人以掌握一组独特对象方面可能非常有价值，例如Hello Robot，这是一家由前Google机器人总监Aaron Edsinger和佐治亚州上个月秘密发起的创业公司技术教授查理·坎普(Charlie Kemp)。该公司的第一个机器人Stretch，还使用了一种类似于抓取器的简单抓取器来抓取或移动现实世界中的物体。 这是加州大学伯克利分校的最新成果，该成果利用商品硬件来改善机器人系统。六月，加州大学伯克利分校的AI研究人员介绍了Dex-Net AR，该技术使用Apple的ARKit对实体对象进行两分钟扫描，以通过手部抓握来训练机器人手臂来拾取独特的对象。在2018年，加州大学伯克利分校的研究人员分享了训练AI代理进行独特动作的工作，例如后空翻和YouTube视频中的“江南风格”舞蹈。 |
