機器人抓取一直是業界的一大難題，最近，澳大利亞昆士蘭科技大學的機器人學家們開發出了一種新的方法，讓機器人可以更快、更準確地抓取物體，包括混亂和多變的環境中，這可能會提高其在工業和家庭環境中的實用性。

新的方法是基于生成式抓取卷積神經網絡，允許機器人快速掃描環境，并使用深度圖像映射其捕獲的每個像素，提升抓取質量。經過現實世界的測試，其在動態環境中的抓取準確率已經達到88%，而在靜態環境中的抓取準確率更是高達92%。

昆士蘭科技大學的Jurgen Leitner博士表示，對于人類來說，抓取物體只是一個非常簡單的基本任務，但對于機器人來說卻非常困難，幾乎是個不可能完成的任務。

Leitner說，“在非常受控的環境中，我們可以編程讓機器人去抓取某種特定的物件。然而，目前機器人抓取系統的一個主要缺點是無法快速適應變化，例如當物體移動時。”

他還表示，“世界是不可預測的，事物在不斷發生變化、移動且混亂，而且往往會在沒有任何警告的情況下發生，所以機器人需要能夠在非結構化的環境中適應和工作，如果我們希望它們有效的話。”

為此，由Leitner領導的團隊首先開發了一個人工神經網絡（一種基于人工智能的系統，讓計算機通過分析示例來學習任務）。通過使用該網絡和深度測繪相機，雙指抓取機器人隨后能夠制作位于其前方的移動且雜亂的物體集合的逐像素深度圖，然后確定最佳抓取方法用于抓取這些物體中的任何一個。這是一種實時的、對象無關的閉環綜合抓取方法。

Leitner的團隊成員還包括博士研究員Douglas Morrison和昆士蘭科技大學科學與工程學院的杰出教授Peter Corke。

Morrison說，“生成式抓取卷積神經網絡方法通過預測每個像素處的雙指抓握的質量和姿態來工作。通過在一次掃描中使用深度圖像映射它前面的內容，機器人在做出決定之前不需要采樣許多不同的可能抓握，避免了漫長的計算時間。”

“在我們的實際測試中，我們對一組以前未見過的幾何物體的抓取成功率為83％，對一組移動的家居物體的抓取成功率為88％。我們在抓取動態混亂的物體成功率為81%。”

Leitner博士說，這種方法克服了目前深度學習抓取技術的一些局限性。

他說，“舉個例子，在2017年的亞馬遜抓取挑戰賽中，我們贏得了冠軍。我們的機器人CartMan先查看一堆物品，然后做出決定哪里是抓取一個物品的最佳位置，然后盲目地去嘗試抓取它。”

他表示，“使用這種新方法，我們可以在大約20毫秒內處理機器人查看的對象的圖像，這允許機器人更新其關于抓取物體的位置的決定，然后可以更大膽去做。這在雜亂的空間中尤為重要。”

Leitner博士表示，這些改進對于工業自動化和家庭環境是有價值的。

Leitner博士說，“這項研究使我們能夠使用機器人系統，而不僅僅是在基于機器人能力構建整個工廠的結構化設置中。它還允許我們抓取非結構化環境中的對象，其中事物沒有被完美地規劃和排序，并且機器人需要適應變化。這對于工業非常有利，不管是在線購物的倉庫分類，還是水果采摘。它也可以應用在家里。因為現在智能機器人越來越多，不僅僅是掃地或拖地，而且還可以拾取物品并將其收拾好。”