米兰·(milan)中国官方网站-机器人落地「秘诀」：持续学习、知识迁移和自主参与

---

亚马逊呆板人试验室的三位顶级科学家，于 ICRA 集会上切磋了呆板人的现有挑战。编译 | 刘冰一

编纂 | 陈彩娴

2022年5月23日，一年一度的呆板人技能范畴的顶级国际集会 ICRA 2022 (IEEE International Conference on Robotics and Automation) 于美国费城准期进行。这是ICRA举办的第39个年初。ICRA 是 IEEE 呆板人及主动化学会的旗舰集会，也是呆板人研究者展示及会商他们事情的重要国际论坛。于本年的ICRA上，亚马逊的三位首席呆板人专家，Sidd Srinivasa、 Tye Brady 及 Philipp Michel 简朴会商了于实际世界中构建人机互动的呆板人体系所面对的挑战。

图注：从左到右为亚马逊呆板人人工智能主管 Sidd Srinivasa，亚马逊呆板人公司（全世界）首席技能专家 Tye Brady，以和亚马逊 Scout 运用科学高级司理 Philipp MichelSidd Srinivasa是全世界知名的呆板人专家，IEEE Fellow，现任华盛顿年夜学波音特聘传授，同时是 Amazon 呆板人人工智能项目的卖力人，卖力治理协助 Amazon 物流中央员工的自立呆板人的算法，研究可以整理及包装产物的呆板人及可自立搬卸及运输货物的推车式呆板人。Tye Brady是亚马逊呆板人公司（全世界）首席技能专家，MIT航空航天工程硕士配景。而Philipp Michel与Sidd Srinivasa同为CMU呆板人研究所的博士校友，是亚马逊Scout呆板人项目的高级司理。于切磋解决呆板人落地挑战的问题上，他们提出了本身的见解。AI科技评论作了不改原意的收拾，以下：Q: 你们于呆板人范畴的研究别离解决差别的问题，这些问题之间有甚么不异点？Sidd Srinivasa：呆板人研究的一个主要难点是：咱们糊口于一个开放的世界中。咱们甚至不知道行将面临的「输入」是甚么。于咱们的营运中央，我需要操控跨越2000万件物品，并且这些物品还有以天天成千上百件的数目于增长。年夜部门时辰，咱们的呆板人其实不清晰它们所拾起的物品是甚么，但它们需要小心肠拾起物品，并于不毁坏物品的条件下将物品举行快速包装。Philipp Michel：对于在Scout来讲，难点是于人行道上碰到的物体，以和输送的情况。咱们于美国四个州都部署了私家送货装备。气候状态、光照前提……咱们从一最先就明确要处置惩罚年夜量的变量，使呆板人可以或许顺应繁杂的情况。Tye Brady：于开发履行呆板人的历程中，咱们有一个显著的上风，就是于半布局化的情况中睁开运营。咱们可以自行制订呆板人的交通法则，相识情况真的有助在咱们的科学家及工程师深切理解咱们要挪动、操作、分类及辨认的物体，完成定单。也就是说，咱们可以于真实世界中实现对于技能的寻求。Philipp Michel ：还有有另外一个配合点，就是咱们很是依靠从数据中进修，以解决问题。Scout 会于履行使命的历程中吸收真实世界的数据，然后不停迭代开发用在感知、定位及导航的呆板进修解决方案。Sidd Srinivasa：我彻底赞成（从数据中进修解决问题）。我认为呆板进修及自顺应节制是超线性范围拓展的要害。假如咱们部署了成千上万的呆板人，咱们不成能有成千上万的科学家及工程师来研究它们，咱们需要依靠真实世界的数据，实现超线性地增加。别的，我认为开放的世界会迫使咱们思索如何「连续进修」。咱们的呆板进修模子往往是基在一些输入数据漫衍来练习的，但由于这是一个开放的世界，会碰到「协变量转移」（covariate shift）的问题，也就是看到的数据与漫衍不匹配，这会致使呆板进修模子经常没出处地过在自傲。是以，咱们所做的年夜量事情就是创立一个「watchdogs」（看门狗，一种监视装备），用来辨认输入数据漫衍什么时候偏离了它所受训的漫衍。然后，咱们再举行「主要性抽样」（importance sampling），如许咱们就能够遴选出已经经转变的数据，从头练习呆板进修模子。Philipp Michel：这也是为何咱们想要于差别之处练习呆板人的缘故原由之一，如许咱们就能够及早知道呆板人可能碰到的实际数据，反过来迫使咱们开发可以或许解决新数据的方案。Sidd Srinivasa：这简直是个好主张。拥有多呆板人的长处之一就是体系可以或许辨认出变化的内容，从头举行练习，然后将这些常识分享给其他呆板人。想到一个分拣呆板人的故事：于世界的某个角落，一个呆板人碰到一个新的包装类型。一最先，它很困扰，由于它从来没有见过这类环境，也没法辨认出来。厥后呈现了一个新的解决方案：这只呆板人可以将新的包装类型传输给世界上所有呆板人。云云一来，当这类新包装类型呈现于其他处所，其余呆板人就通晓怎样处置惩罚了。相称在有了一个「备份」，新的数据呈现于一个点，其他点城市知道，由于体系已经经可以或许从头自我练习、并分享信息了。Philipp Michel：咱们的呆板人也于做近似的工作。假如咱们的呆板人碰到以前没有碰到过的新障碍，咱们会测验考试调解模子来辨认与处置惩罚这些障碍，随后将新的模子部署到所有的呆板人上。让我夜不克不及寐的一件工作是，咱们的呆板人会于人行道上碰到新的物体，但这些物体于接下来的三年都不会再碰到，例如：人们于万圣节上用来装饰草坪的滴水兽，或者者人们于野餐的桌子上放一把伞、使桌子看起来不像「野餐桌」。对于在这类环境，所有的呆板进修算法都没法辨认出这是一张野餐桌。是以，咱们的部门研究还有是关在怎样均衡无需纠结的平凡事物与详细种别的事物。假如这是一个洞开的井盖口，那末呆板人必然要长于辨认，否则它会失下去。但若它只是一个随机的盒子，咱们可能就不需要知道这个盒子的条理布局，只需要知道这是咱们要绕已往的物体便可。Sidd Srinivasa：另外一个挑战是，当你转变你的模子时，可能会呈现意想不到的后果。转变后的模子或许不会影响呆板人的感知，但可能会转变呆板人「刹车」方式，致使两个月后滚珠轴承磨损。于端到真个体系中，将来很多有趣的研究都是关在“理解体系部门更改对于整个体系机能的影响”。Philipp Michel：咱们花了许多时间思索是否应该划分呆板人仓库的差别部门。于他们之间做整合可以或许带来许多利益，但也是有限的。一个极度环境是摄像头到机电到扭矩的进修，这于任何实际世界的呆板人运用中都长短常具备挑战性的。还有有就是传统的呆板人仓库，它被很好地分成为了定位、感知、计划及节制等部门。咱们还有花了许多时间思索仓库应该怎样跟着时间的推移而成长，把这些部门更慎密地联合于一路时机能有甚么晋升？同时，咱们但愿有一个体系尽可能地连结可注释性。咱们试图最年夜化使用整个仓库的进修组件集成，同时保留可注释性及安全功效的数目。Sidd Srinivasa：这个不雅点很赞，我彻底赞成 Philipp 的不雅点，用一个模子来统治所有模子未必是准确的。但凡是，咱们终极成立的呆板进修模子同享一个骨干，有多个运用的头。一个物体是甚么，支解一个物体象征着甚么？可能近似在遴选、堆放或者者包装，可是每个都需要专门的头，搭载于专门使命的骨干上。Philipp Michel：咱们思量的一些因素是电池、行程、温度、空间及计较限定。是以，咱们需要高效利用咱们的模子、优化模子、并测验考试尽可能多地使用同享骨干，就像 Sidd 提到的，差别的头用在差别的使命。

图注：Amazon Scout 是一个主动送货呆板人，它可以于大众人行道上以步行的速率挪动，今朝正于美国四个州举行实地测试。Q：当我问和你们项目之间的共性时，我想到的一件事是你们的呆板人都是及人类于一样的情况中事情。为何这会使问题繁杂化呢？Sidd Srinivasa：呆板人正于走近人类糊口，咱们必需尊敬发生于人类世界中的所有繁杂的互动。除了了走路、开车、履行使命外，还有有繁杂的社交。对于呆板人来讲主要的是，起首，要成心识；其次，要介入此中。这真的很难，当你于开车的时辰，有时很难判定其别人于想甚么，也很难按照他们的设法来决议怎样步履。仅仅是推理问题就很难，然后闭环就更难了。假如呆板人正于下棋或者与人棋战，那末猜测他们将要做甚么就轻易多了，由于法则已经经很好地制订了。假如你假定你的敌手是最优的，那末你会做患上很好，纵然他们是次优的。这于某些双人游戏中是种包管。但现实环境并不是云云，咱们于玩这类确保共赢的互助博弈发明，博弈时实在很难正确猜测，即便互助者也是好意。Philipp Michel：并且人类世界的举动变化很年夜。有的宠物彻底疏忽呆板人，有的宠物会走向呆板人。行人也是云云，有些人对于呆板人视若无睹，而有些人则径直走近它。尤其是孩子，他们的好奇心超强，互动很是紧密亲密，咱们需要可以或许安全地处置惩罚所有相处场景，这些可变性让人伎痒。参考链接：https://www.amazon.science/blog/icra-2022-robotics-at-amazonhttps://goodrobot.ai/bio/https://philmichel.com/cvhttps://www.cs.cmu.edu/~pmichel/

雷峰网雷峰网(公家号：雷峰网)

雷峰网版权文章，未经授权禁止转载。详情见转载须知。

-米兰·(milan)中国官方网站