模型可帮助机器人在搜索物体时更像人类一样思考韩东
时间:2022/10/29 00:40:10 编辑:
模型可帮助机器人在搜索物体时更像人类一样思考
根据密歇根大学的研究,机器人可以通过学习房屋周围不同物体之间的关系来学习如何更快地找到事物。
在本文的一个示例中,一种新模型为机器人提供了视觉搜索策略,可以指导机器人在已经看到冰箱的情况下寻找附近的咖啡壶。
这项工作由Chad Jenkins教授和CSE博士领导学生Zeng Zeng在2020年机器人与自动化国际会议上被授予认知机器人最佳论文奖。
机器人专家的共同目标是使机器具有在现实环境中导航的能力,例如,我们所生活的无序,不完善的家庭。
这些环境可能是混乱的,没有两个完全相同,并且机器人在寻找特定的环境。他们从未见过的物体需要将它们从噪音中剔除。
“能够有效地在环境中搜索对象对于服务机器人自主地执行任务至关重要,” Zeng说。“我们提供了一种实用的方法,使机器人能够在复杂的环境中主动搜索目标对象。”
但是房屋并没有完全混乱。我们围绕不同类型的活动组织空间,并且通常将某些组的项目彼此紧密地存储或安装。厨房通常装有我们的烤箱,冰箱,微波炉和其他小型烹饪用具;卧室将有我们的梳妆台,床和床头柜;等等。
Jenkins和Zeng的实验中不同对象搜索方法的比较。最右图所示的模型利用了他们的技术,并产生了最快,最直接的路径。
Zeng和Jenkins提出了一种利用这些常见空间关系的方法。他们的“ SLiM”模型将机器人内存中的某些“地标对象”与其他相关对象以及有关通常如何在空间上定位的数据相关联。
他们使用SLiM来考虑目标对象和地标对象的多个功能,以便使机器人对在环境中如何布置事物有更全面的了解。
他们写道:“当被问到可以在哪里找到目标物体时,人类能够给出相对于其他物体的空间关系所表达的假设位置。” “机器人应该能够类似地推断物体的位置。”
该模型不仅是不同对象之间通常有多近的硬编码-从一天到另一天环顾一个房间,您肯定会看到足够的更改来快速使这种努力徒劳无功。
相反,SLiM会考虑对象位置的不确定性。
作者在其关于该项目的论文中解释说:“以前的作品假定地标物体是静态的,因为它们大多保留在上次观察到的位置。”
为了克服这一局限性,研究人员使用因子图来概率地模拟不同对象之间的关系。
了解了可能存在的拖曳对象关系后,SLiM指导机器人探索可能包含目标或地标对象的有希望的区域。
这种搜索方法基于以前的发现,这些发现表明首先定位地标比简单地寻找目标要快。詹金斯和曾使用的模型是两者的混合体。
在实验中,该团队在相同的模拟环境中测试了五个不同搜索模型的性能。一种是不了解对象空间关系的天真直接搜索,其余四种使用SLiM的空间映射结合不同的搜索策略或起始优势:
使用已知的先前位置直接搜索目标,但不考虑对象可能已移动的任何可能性
直接搜索,无需事先知道对象的位置
无需事先了解对象位置的混合搜索。
最后,SLiM与混合搜索相结合,成功地在每个测试中找到了路线最直接,搜索时间最少的目标对象。