谷歌首席人工智能科学家李飞飞团队的最新研究：就玩个锤子

锤子是一个神奇的工具，各种画风都能驾驭。

比如，神族玩锤子是这样。

兽族玩锤子是这样。

人族嘛……

误。

回归正片，今天来看看，机器人玩（个）锤子，且是自学成才，会有怎样的画风？

今天的机器人主角，诞生在斯坦福李飞飞夫妇的实验室里，拥有花样锤技，还被机器人顶会RSS 2018选中了。

关于锤技，先看两个小栗子。

任务一：把钉子敲进木盒

人类只告诉机器人这个任务，没有其他多余的指示。使用什么工具，用什么姿势完成，全靠机器人自己判断。

它发现了桌上的一把锤子。

于是，抓起锤子的把手，把钉子敲了进去。

完成。

任务二：清除桌面的易拉罐

同样，人类只告诉机器人这个任务，没有其他多余的指示。使用什么工具，用什么姿势完成，全靠机器人自己判断。

于是，它又抓起了桌上的锤子。

同样完成。

注意，两个不同的任务，握锤姿势不一样（不一样……）

这个机智的机器人，能够根据不同的任务，决定应该如何握住手里的锤子，以及用什么方式完成指定的任务。

其实，就算是它从来没见过的、骨骼清奇的锤子，也是一眼就会玩。

锯都算上了，但这也只是很小的一部分。

而且，机器人脑子里的神经网络，是自我监督学习的，不需要人类传授什么秘籍。

这只为了任务定制抓取姿势的机器人，是如何修炼成仙的？

先审题，再行动

从前的机器人，大多是用保守的方式抓取工具——抓质心最稳。

简单粗暴，但这并不一定适合它下一步要完成的操作。

▲左为两眼一抹黑，右为找得着北

毕竟，钉子要完全敲进去，易拉罐要掉下桌面去，才算成功。

所以，抓取的牢固程度，与适合任务的程度之间，需要一些妥协。

为了让机器人，在执行任务的时候更有针对性，斯坦福团队制定了四步方略如下——

一是，机器人要懂得，人类希望的结果是什么。

二是，机器人要识别物体的特征，知道它是好用的工具。

三是，找到合适的抓握方向，才能更有效地做任务。

四是，去吧，皮卡丘。

知之为知之，审题真的有用。

神经网络两步走，一抓取二操作

（^∀^*）机器人：

咦，任务是扫桌

咦，锤子长这样

咦，这姿势不错

咦，易拉罐没了

为了让机器人选择正确的姿势，执行特定的任务，团队设计的神经网络结构，也并非一步登天。

▲TOG =任务导向的抓取

这个名叫TOG-Net的神经网络，可以同时训练两个模型——

一是抓取模型，二是操作模型，对应每个任务（锤击/扫除）的两个阶段。

优秀的抓取姿势，是任务成功的一半。

给神经网络输入一幅图，它就会提出几种抓取姿势。

抓取模型会为每个姿势算出一个分数，代表抓取质量。

选择分数最高的一种姿势，给机器人去执行，并且把这个姿势发送给操作模型。

这样一来，系统就能根据已经采取的动作，来规划后面的动作。

步步为营。

虚拟的训练，现实的测试

神经网络不是直接在真实世界里训练的，而是在一个名叫“Bullet（子弹）”的开源物理模拟器里训练的。

虚拟世界里，机器人可以尝试无数次失败，修炼出锤子的使用技能。

虽然，团队也在思考，是不是直接进三次元修炼，也会同样有效。

模拟器可以生成大量的模拟数据。

比如，这样那样的锤子。大体分为三类，T型、L型、X型。

当然，现实更复杂，所以，混合型也要包含进去。

除了工具之外，抓取姿势的数据也非常重要，难点也在这里。

因为，姿势采样的时候，抓握的点大多集中在工具的长边上。许多姿势之间，距离都非常小，太相似了，多样性又不够。

▲适用于扫除的姿势，作用点就不在长边上

于是，团队用了物体识别中，常见的非极大抑制（NMS）方法，去除了一些与高分姿势非常相近的姿势。

这样，训练集里面的姿势各不相同，对训练来说更有力。

另外，自我监督学习机制，会用每一次抓取成功和任务成功的标签，来指导训练过程。

当然，模拟器终究是模拟器，最后还是要把训练成果搬到现实里来。

三次元里，机器人的夹具，是依靠深度摄像头的点云来工作的。

像这样，稍稍超出常理的“锤子”，机器人还会给它转体180度，再扫掉易拉罐。

驾轻就熟。

成果，万变不离其宗

其实，来这里的路上，各位已经陆陆续续看过一些测试的效果了。

不过，还是要强调，以下这些锤子，机器人在训练的时候，都没见过。

T型锤的扫除玩法。

L型锤的敲钉玩法。

混合锤，就是刚才那只绿色脑袋的奇怪物体，再出现一次。

▲要打架么

隐隐感觉，机器人看到这样不科学的工具，还是有些情绪。

不过，内心戏放在一边，研究人员对AI和机器人一起做的任务，还是很满意的。

除了直观地看出，碾压了某不知任务的算法，数据也很硬——

不管锤子是T型，L型，还是奇型。

也不管任务是锤击，还是扫除。

成功率都比忽略任务的同行，高出许多。

实验室里的人类们

这项研究的团队主要来自斯坦福计算机视觉与学习实验室（SVL Lab），包括李飞飞、Silvio Savarese，和他们的学生们。

▲房宽

论文的第一作者房宽是斯坦福大学读博士，师从Silvio Savarese。在进入斯坦福大学之前，他在清华大学读完了本科，当时曾经在微软亚洲研究院机器学习组实习。

房宽在个人主页上透露，去年夏天，他是在Google [X] Robotics度过的；而今年暑假，他要去Google Brain实习了~

其他几位作者也都来自斯坦福大学，其中二作Yuke Zhu和Animesh Garg都是李飞飞和Savarese的学生，而Andrey Kurenkov师从Silvio和Ken Goldberg。

而最后两位作者，也就是指导这项研究老师们，你们应该都很熟悉啦。

一位是计算机视觉界的国民女神李飞飞：

另一位，是她的丈夫，同是斯坦福大学副教授的Silvio Savarese。

不知道这张实验室全家福里，有没有你熟悉的身影：