最讓研究人員吃驚的結果,便是機械人學會以不同方式抓取堅硬和柔軟的物品。如果它們感知到堅硬的物品,那麼便會用兩隻手指抓取物品的邊緣,並緊緊握住。但對於柔軟物品(如海綿)而言,神經網絡意識到將一根手指放在中間、另一根放在邊緣會更輕鬆一些。

Create, Discover and Share on Gfycat

這批機械人以持續不斷的直接反饋,幫助神經網絡進行學習,其中的人類干涉非常少。這使機器手臂甚至能夠抓起它從未見過的東西,成功率非常高。新物品的抓取失敗率為10%到20%之間,具體取決於物品是什麼;如果機械人抓取失敗,那麼它會再度嘗試。谷歌的進展比康奈爾的「深度抓取」項目差一點——後者的堅硬物品抓取失敗率為16%,毛絨玩具等柔軟物品的成功率為100%。

無人駕駛汽車、自主機械人、無人機投遞等未來概念都涉及機械人和自然界的交互,而教會機械人理解周圍世界及其物理限制則是一個重要過程。接下來,研究人員希望在現實環境中對機械人進行測試,而非在實驗室里。這意味着多種光線、各種地點、運動物體、機械人磨損。

popsci

想收到更多趣味新聞?請按讚!