乾明 发自 凹非寺 量子位 报道 | 公众号 QbitAI

江湖上，一直流传着一种叠叠乐的试炼。

规则很简单，从下方的积木中，抽一根往上搭。

你能往上搭几层？

对MIT团队研发的机器人来说，玩这个游戏基本上不费吹灰之力。

而且，它只需要训练大约300次就行了，一般的机器人少说也要训练上万次。

研究团队说，这个机器人并不醉心叠叠乐。

接下来要进军工业界，组装手机等消费产品等等。

叠叠乐有什么难的？

从上面的动图中可以看出，叠叠乐是一个牵一发而动全身的游戏。

与国际象棋、围棋等纯粹的认知任务或者游戏不同，机器人需要掌握物理技能，比如探测、推、拉、放置、对齐积木等等。

这就要求它必须进行交互的感知和操作，这种情况，是很难在计算机上模拟出来的。

机器人必须要在接触积木塔的同时，来学习如何移动积木。

MIT的研究团队说，关键的挑战在于，如何利用实际上的尝试，从相对较少的实验中去学习。

他们给出的方法是——

聚类学习，视觉触觉两开花

简单来说，就是搜集视觉触觉数据，然后对数据聚类，建立相应的模型。

为了搜集数据，研究团队定制了一个行业标准的 ABB IRB 120机械臂。然后在机器人能够触及的范围内搭建了一个积木塔，开始第一段的训练期。

机械臂的配件有3个，一个是用来操作积木软齿夹钳，也可以反馈触感；一个是用来控制操作积木的力度的力感应腕带；还有一个外部摄像头，用来收集视觉图像。

想让机器人学会玩叠叠乐，传统的做法是收集积木、机器人、积木塔之间可能发生的一切。

这显然会带来大量的数据，在成千上万次的尝试中寻找可行的模式，耗费的计算资源可想而知。

MIT研究团队的做法是，模仿人类玩这个游戏的方式。

在训练期中，机器人会随机选择一个积木，以及推动的积木的位置。 然后用较小的力道，试图将积木推出塔外。

对于每一次尝试，计算设备都会记录相关的视觉、触觉、力度等指标，并标注是否成功。

按照这种方法，机器人只训练大约300次，就对这些测量结果进行聚类分组。

比如，一组数据可能代表机器人在难以移动的积木上的尝试，而另一组数据则代表一个比较容易移动的积木上的尝试。

对于每个数据集群，研究团队都给机器人开发了一个简单的模型，根据当前的视觉和触觉数据来预测移动一个积木的行为。

他们说，让机器人建立聚类，然后学习每个聚类的模型，而不是学习一个能完全捕捉可能发生的一切的模型，能够极大地提高了机器人学习游戏的效率。

结合这些模型，机器人还会实时地“学习”，当机器人小心地推动一个积木块时，计算机会通过它摄像头和钳子接收视觉和触觉反馈，并将这些反馈结果与机器人先前做出的动作进行比较。

然后考虑这个动作的后果，即是否能够在特定的结构下，用特定的力度，把特定的积木块抽出来，放到上面，并确保积木塔不倒。

最后，这项研究的论文，已于近日刊发在了Science Robotics上。

作者为：Nima Fazeli、Miquel Oller、Jiajun Wu、Zheng Wu和Joshua Tenenbaum。

如果你感兴趣，请收好传送门：

See, feel, act: Hierarchical learning for complex manipulation skills with multisensory fusionhttp://robotics.sciencemag.org/content/4/26/eaav3123