Google 的机器人计划一直不怎么顺利。从 2013 年起，这家位于山景城的科技巨头公司就耗资巨款，从美国和日本收购了几家机器人初创企业，合并成一个名为「Replicnt」的机器人项目，其中就包括了知名的波士顿动力公司 (Boston Dynmics)。

但好景不长，原本负责机器人项目的 Andy Rubin 于 2014 年离开 Google，加上波士顿动力的研发工作涉及军事，和 Google 当初的民用构想不太符合。在 2017 年，Google 选择将波士顿动力转售给日本软银，整个机器人项目也暂时陷入了沉寂。

但 Google 并未止步于此。根据 《纽约时报》和 Google AI 官方博客的报道称，Google 内部已经重新集结了原机器人项目中的工程师、研究人员，组建了一家名为「Roboticst Google」的团队，继续投入到机器人领域的研发。

区别在于，和之前波士顿动力研究的「双足步行」、「小狗」和「轮式」等仿生机器人不同，Roboticst Google 把重点放在了机器学习领域，相当于在做机器人系统和软件方面的工作。

目前，Roboticst Google 已经与普林斯顿、哥伦比亚以及麻省理工几所学院的研究人员合作，开发出一套名为「TossingBot」的物体分拣方案。

具体来说，它可以让机器人臂从一堆繁杂的物体中做出正确的分拣操作，再将物体投掷到相应的格子中。这对电商物流和零部件组装等行业还是有一定实用价值的。

不要小看这个看似对人类很简单的工作，整套动作涉及到物体识别、分拣、拾取、抛投等操作，等于是要机器人自己找到抓起每一件物品的最佳方式。

而研究人员也强调，单纯就「抛投」这一步骤，机器臂就需要具备多种原理知识，才可以避免抛投不出现失误。

以一个螺丝刀为例，你捏着杆柄做抛投，和你捏着楔形头做抛投，都会衍生出不同的抛物线，最终抛投的距离自然也不一样。

此外，抛投一个兵乓球所需要的力度，与抛投一根香蕉需要的力度显然也并不相同，这其中不仅关系到对物体质量、摩擦力等因素的把控，也涉及到对抛投距离以及现场环境的理解。

而 Roboticst Google 团队采取的做法，是将深度学习和物理学混合运用，使用端到端的神经网络对机器臂进行训练，实现在一个随机环境下的分拣处理工作。

这意味着哪怕是机器臂碰上了一个完全陌生的物体，比如说把某个木头块换成一个水果，也可以给出不同的应对方案。

按照 Roboticst Google 的说法，最开始 TossingBot 对着一箩筐的物体还有些迟钝，但经历了约 14 个小时，总计 10000 次的抓取和投掷尝试训练后，它已经能达到 87% 以上的分拣成功率，以及 85% 以上的投掷成功率。

现在，它每小时可以对超过 500 个物体进行拣货，其灵活性、响应速度都比目前最先进的分拣货系统还要快 2 倍，也证明机器学习训练确实能帮助机器人更快地掌握某项技能。

研究人员也表示，这套方案非常适合在物流仓库和配送中心进行批量部署，像亚马逊这类电商公司对于分拣机器人的需求往往会更高。

不过，将自动化机器人运用在仓储中已不算新鲜事。去年 10 月，日本优衣库就曾展示过一个机器人仓库，就是由机器人取代人力来进行分拣工作，实现 24 小时连续运行；而亚马逊、沃尔玛和联邦快递等也已经尝试将移动机器人运用在搬运工作上。

不过，目前大多数机器人只能解决特定场景下的作业，而不擅长应对不同形状的物体，这也是现在 TossingBot 希望解决的问题。

理想状态下，人们自然是希望机器人靠自学就能应对更多任务，而不是每次都要进行一轮预先编程。

题图来源：Google

返回第一电动网首页 >