机器人感知周围世界的方式与人类有很大不同

当我们走在街上时,我们知道需要注意经过的汽车、潜在的危险、道路上的障碍物,以及什么是可以忽略的,比如远处行走的行人。而机器人则会平等对待它们接收到的所有周围环境信息。例如,无人驾驶汽车必须持续分析周围事物的数据,无论这些数据是否相关。这确保了驾驶员和行人的安全,但也消耗了大量能源和计算能力。如果有办法通过教导机器人应该优先考虑什么、可以安全忽略什么来减少这种消耗,那会怎么样呢?

这就是"懒惰机器人学"的基本原理,这是由荷兰埃因霍温理工大学教授 van 倡导的一个研究领域。他认为,教导各种机器人在处理数据时更"懒惰"可以帮助铺平道路,使机器更善于与现实环境中的事物(包括人类)互动。本质上,机器人在处理信息时越高效越好。

学会更懒惰

Van想到了一个有趣的方法来测试这些想法:教机器人踢足球。他最近带领他所在大学的自主机器人足球队Tech United在RoboCup(一年一度的国际机器人和人工智能竞赛,测试机器人在足球场上的技能)中获胜。足球对机器人来说是一个艰巨的挑战,因为无论是进球还是阻挡进球都需要快速、受控的动作以及最优的战略决策和协调。

学会集中注意力并调节周围的干扰,就像最好的人类足球运动员所做的那样,不仅会使它们更节能(特别是对于电池供电的机器人),而且在动态、快速变化的情况下更有可能做出更明智的决定。

Tech United的机器人在RoboCup期间使用了几种"懒惰"策略来战胜对手。一种方法涉及创建足球场的"世界模型",识别并绘制其布局和线路标记——这些在整个比赛中保持不变的东西。这使得电池供电的机器人不必不断扫描周围环境,从而节省宝贵的电力。每个机器人还与其四个队友共享其相机捕捉到的内容,创建更广阔的场地视图,以帮助跟踪快速移动的球。

以前,机器人需要精确的预编码轨迹才能在场上移动。现在Van和他的团队正在尝试让它们自己选择到达指定目的地的路径。这节省了跟踪特定路线所需的能量,并帮助机器人应对可能遇到的障碍。

该小组还成功地教会了球队执行"渗透性传球"——机器人向场地的开放区域射门,并与其团队中最佳定位的成员沟通接球——以及在三角形等配置中接球或传球等技能。让机器人访问使用周围环境数据构建的世界模型,使它们能够在场地的任何地方执行技能,而不仅仅是在特定位置。

超越足球场

让在仓库工作的机器人更善于优先处理不同的数据输入对于确保它们能够在人类周围安全运作并可靠地完成任务至关重要。特斯拉前机器人部门负责人Chris Walti表示,如果机器无法管理这一点,公司可能会面临延迟发货、货物损坏、工人受伤或更糟的情况。

Walti离开特斯拉后创办了自己的公司Mytra，公司设计了完全自主的机器人,使用计算机视觉和人工智能强化学习系统,使它们意识到最接近它们的其他机器人,并帮助它们以更具计算效率的方式推理和协作完成任务(比如移动损坏的托盘)。

如今,仓库中的大多数移动机器人都由一个单一的中央"大脑"控制,这个"大脑"决定它们要遵循的路径,这意味着机器人在做任何事情之前都必须等待指示。这种方法不仅难以扩展,而且消耗大量中央计算能力,需要非常可靠的通信链路。

Mytra认为它找到了一种显著更高效的方法,这种方法承认单个机器人并不真正需要知道仓库另一端数百个其他机器人在做什么。其机器学习系统通过模拟每个机器人在仓库中执行任务可以采取的最佳路线,减少了这些不必要的数据及处理这些数据所需的计算能力。这使它们能够更加自主地行动。

"在足球的背景下,高效让你能进更多球。在制造业的背景下,高效更为重要,因为它意味着系统运行更可靠,"他说。"通过赋予机器人自主和高效行动和思考的能力,你也在优化更广泛操作的效率和可靠性。"

简化软件

亚马逊拥有超过75万台机器人,是世界上最大的机器人车队,它也对使用人工智能帮助它们做出更智能、更安全和更高效的决策感兴趣。亚马逊的机器人主要分为两类:移动库存的移动机器人和设计用于操作物品的机械臂。为这些机器提供动力的人工智能系统每天收集数百万个数据点,以帮助训练它们完成任务。例如,它们必须学会从一堆物品中抓取和移动哪一个,或如何安全地避开人类仓库工人。这些过程需要大量的计算能力,新技术可以帮助最小化这些计算量。

通常,机械臂和类似的"操作"机器人使用机器学习来识别物体。然后它们遵循硬编码规则或算法来决定如何行动。通过生成式人工智能,这些相同的机器人可以在尝试行动之前预测行动的结果,因此它们可以选择最有可能成功的行动或确定抓取需要移动的物体的最佳方法。

这些学习系统比传统的机器人训练方法更具可扩展性,生成式人工智能和大规模数据集的结合有助于简化任务的排序并消除不必要的分析层。这就是计算能力节省的地方。亚马逊机器人公司的首席科学家Michael Wolf说:"我们可以通过要求模型做更多事情来简化软件。我们正在进入一个阶段,我们正从根本上重新思考如何为我们的机器人系统构建自主性。"

通过做得更少来实现更多

今年的RoboCup比赛可能已经结束,但Van并没有因为他的团队取得压倒性的成功而止步不前。"在每个机器人中仍然有很多计算活动,这些活动并不是在每个时刻都必要的,"他说。他已经开始研究新的方法,使他的机器人团队变得更懒惰,以在明年的比赛中获得优势。

虽然目前的机器人在能源利用效率方面仍然远远无法与人类相匹配,但他对研究人员在未来取得进展持乐观态度,并且我们将开始看到更多懒惰但更擅长工作的机器人。但这不会在一夜之间发生。