电子商务在最近的假日季节继续扩大并达到新的水平。为了快速满足大量订单和各种订单，亚马逊，沃尔玛和阿里巴巴等公司正在大力投资新仓库。为解决工人短缺问题，许多公司正在考虑机器人。然而，可靠地掌握各种产品仍然是机器人技术的一大挑战。

在1月16日星期三发表在科学机器人学的一篇论文中，加州大学伯克利分校的工程师提出了一种新颖的，“灵巧的”方法，可以在没有训练的情况下掌握各种各样的物体形状。

“任何一个抓手都无法处理所有物体，”加州大学伯克利分校的博士后研究员，该论文的第一作者杰夫马勒说。“例如，吸盘不能在诸如衣服之类的多孔物体上产生密封，并且平行钳口夹持器可能无法到达某些工具和玩具的两侧。”

Mahler在加州大学伯克利分校教授Ken Goldberg的实验室工作，他在电气工程和计算机科学系以及工业工程和运筹学系担任联合任命。

在大多数电子商务履行中心中使用的机器人系统依赖于抽吸夹具，其可以限制它们可以抓住的物体的范围。加州大学伯克利分校的论文引入了一种“灵巧”的方法，与各种夹具类型兼容。该方法基于每种夹具类型的共同“奖励功能”，其量化每个夹具成功的概率。这允许系统快速决定针对每种情况使用哪个夹具。为了有效地计算每种抓取器类型的奖励函数，本文描述了通过使用结构化域随机化和传感器的分析模型以及每个抓取器的物理和几何形状快速生成的大型合成数据集的训练来学习奖励函数的过程。

当研究人员在双臂机器人上训练平行钳夹持器和吸盘夹持器的奖励功能时，他们发现他们的系统清理了多达25个以前看不见的物体，每小时超过300个拾取器，95%可靠性。

戈德伯格说：“当你在一个仓库里放在一起交付包裹时，物品差异很大。”“我们需要各种各样的夹具来处理各种物体。”

本文的研究在加州大学伯克利分校的自动化科学与工程实验室(AUTOLAB)进行，该实验室与伯克利人工智能研究(BAIR)实验室，实时智能安全执行(RISE)实验室以及CITRIS“人与机器人”有关。 “(CPAR)倡议。