FlatLab: A Unified Methodology Framework and Simulation-Based Benchmark for Robotic Manipulation of Flat Objects
本文介绍了 FlatLab，这是一个统一的框架和高保真仿真基准，它通过将策略生成与动作执行解耦，实现了对多种扁平物体的鲁棒机器人操控，并证明了其相比现有方法在处理未见物体时具有更优越的泛化能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个这样的世界：机器人就像是在学习如何捡起一片吐司面包时笨手笨脚的小幼儿。它们可以轻松抓起杯子或球，因为这些东西有把手或圆润的形状，非常契合手部；但如果尝试去抓躺在桌面上的平整杂志、一块薄木板或一条松软的毛巾，机器人就会卡壳。这就像是用叉子去叉煎饼一样：既没有可以握住的把手，如果你用力过猛，它就会滑走。这就是机器人领域中的“平坦物体问题”。多年来，科学家们一直试图解决这个问题，主要通过制造特殊的、昂贵的机器人手，或者教机器人一个特定的技巧，比如“把书推向桌边”。但现实生活是杂乱无章的。一本厚书需要的技巧与一张薄纸完全不同，而一条松软的毛巾则需要完全不同的处理方式。如果机器人只掌握一个技巧，当物体发生变化时，它就会失败。这就是为什么研究人员正在寻找一种更聪明的方法，让机器人学会如何适应，而不是仅仅死记硬背一个单一的动作。
于是有了 FlatLab，这是一个全新的项目，它就像是一个专门为解决这个“平坦物体谜题”而设计的、高科技的机器人大型电子游戏。FlatLab 背后的研究人员意识到，与其强迫机器人为每种可能的物体学习一个巨大的、复杂的动作，不如给它一个“工具箱”以及一个知道该选哪种工具的大脑。他们创建了一个统一的框架，将任务分为两个部分：策略生成器（Strategy Generator）和动作执行模块（Action Execution Module）。你可以把策略生成器想象成一个聪明的经理，它观察着一堆平坦物体（如一叠杂志、一个盒子或一件皱巴巴的衬衫），然后决定：“好吧，对于这个薄圆盘，我们要把它推向边缘。对于这个厚盒子，我们要用双臂抬起它。对于这条松软的毛巾，我们要捏住边缘使其折叠。”一旦经理选定了计划，动作执行模块就是那个“勤劳的小蜜蜂”，它负责将宏大的计划分解成微小、简单的步骤——比如“触摸”、“滑动”或“挤压”——并流畅地执行。
团队不仅构建了机器人的大脑，还构建了整个测试场。他们创建了 FlatLab 模拟平台，其中包含 100 多种不同的平坦物体，范围从像书和盒子这样的刚性物体到像织物一样的柔软、易变形物体。在这个数字世界里，他们可以测试机器人处理这些物体的能力，而不会在现实世界中损坏任何东西。他们使用了一种被称为“对比学习（contrastive learning）”的巧妙技术来训练系统，这就像是教机器人识别出：即使看起来不同，薄书和薄盘子也足够相似，可以使用相同的“推向边缘”技巧。他们还使用了“模拟数据变换（simulated data transformation）”，这意味着他们可以瞬间改变一个数字物体的尺寸或材质（例如将一条柔软的毛巾变成一块硬板），从而教会机器人，策略取决于形状和材质，而不仅仅是特定物体的名称。
当他们测试该系统时，结果令人印象深刻。在模拟实验中，对于机器人见过的物体，它正确预测策略的准确率达到了 99.2%；而对于从未遇到过的全新类别物体，它的正确率仍有 78.6%。在抓取物体方面，该方法在已知物体上的成功率为 81.1%，而在处理完全陌生的新物体时，成功率达到了 69.0%。这意义重大，因为其他方法（例如那些试图学习一个庞大的“端到端”动作或仅仅是将所有东西推向边缘的方法）表现得相当吃力，在面对新类型物体时经常失败。例如，一种仅靠推向边缘的方法在处理新物体时的成功率仅为 24.7%，而双臂抬举法在处理薄型物体时失败得更为频繁。
研究人员还将他们的机器人从电子游戏带到了现实世界，使用的是一台带有双臂的 Baxter 机器人。即便面对现实世界中复杂且不可预测的物理特性——比如摩擦力各不相同，或者毛巾折叠起来的样子与电脑模拟中并不完全一致——他们在处理新物体时仍实现了 80.0% 的成功率。这表明他们的“工具箱”方法具有足够的鲁棒性，足以应对真实情况，而不仅仅是完美的数字版本。然而，作者也谨慎地指出，虽然这在他们的测试中表现良好，但仍有大量工作要做。他们承认，大部分繁重的工作是在模拟环境中完成的，弥合完美数字世界与混乱现实世界之间的差距是未来的关键挑战。他们还提到，目前尚未充分测试他们的机器人如何处理极其复杂、杂乱的房间。但就目前而言，FlatLab 展示了通过赋予机器人灵活的策略和一套简单的工具，是教它们处理日常生活中那些平坦、松软且棘手的物体的一种更优路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。