Images: FZI

接近附近的物體似乎是一項無意識的行為，但該行為的發生需要一個復雜的神經網絡，人類花了數百萬年才進化到此。現在，機器人正通過人工神經網絡獲得同樣的能力。在最近的一項研究中，一只機械手通過三種不同的抓取動作“學會”了抓取不同形狀和硬度的物體。

這種發展的關鍵是一種叫做尖峰神經元（spiking neuron）的東西。就像大腦中的真實神經元一樣，尖峰神經網絡（spiking neural network，SNN）中的人工神經元一起對時間信息進行編碼和處理。研究人員研究SNN是因為這種方法可以深入了解生物神經網絡的功能，包括我們自己的神經網絡。

德國FZI Forschungszentrum Informatik的研究人員Juan Camilo Vasquez Tieck說：“類人機器人或仿生機器人的編程非常復雜。而傳統的機器人編程方法并不總是適合利用它們的能力。”

Tieck說，傳統的機器人系統必須進行廣泛的計算，以跟蹤軌跡和抓取物體。但像本文研究的依賴SNN的機器人系統，首先訓練的是神經網絡，來更好地模擬系統和物體的運動。之后，它通過實時適應運動，更自主地掌握項目。

Tieck和他的同事們的新機器人系統使用了一種現有的機械手，名為Schunk SVH 5-finger hand，它的手指和關節數量與人手相同。研究人員在他們的系統中加入了一個SNN，這個系統被分成幾個子網絡。一個子網絡單獨控制每個手指，或彎曲或伸展手指。

對于每個手指，神經電路利用馬達的電流和關節的速度來檢測與物體的接觸。當檢測到與物體接觸時，控制器被激活以調節手指施加的力。

Tieck說：“這樣一來，一般抓取動作可以適應不同形狀、剛度和大小的物體。當物體移動或變形時，該系統還可以快速適應抓取運動。”

機器人抓取系統的具體研究成果發表在10月24日的IEEE Robotics and Automation快報上。研究人員的機械手在不知道物體屬性的情況下，用三種不同的抓取動作來抓物體。目標物體包括一個塑料瓶、一個軟球、一個網球、一塊海綿、一只橡膠鴨子、不同的氣球、一支筆和一個紙巾袋。研究人員發現，首先，捏捏動作比圓柱形或球形抓取動作需要更高的精度。

Tieck說：“對于這種方法，下一步要做的是整合基于事件的攝像機的視覺信息，并將手臂運動與SNN相結合。此外，我們還想用觸覺傳感器來伸展手部。”

他說，長期目標是開發“一種系統，可以執行與人類相似的抓取動作，無需對接觸點進行密集規劃或進行嚴格的穩定性分析，并且能夠利用視覺和觸覺反饋來適應不同的物體。”

責任編輯：PSY

原文標題：人工智能引導機械手學習如何抓取

文章出處：【微信公眾號：IEEE電氣電子工程師學會】歡迎添加關注！文章轉載請注明出處。