澳门新濠新天地3559_www.3559.com新濠新天地网址

您的位置:新天地3559 > 电工电气 > 你一定觉得这种情节距离我们很遥远,机器外骨

你一定觉得这种情节距离我们很遥远,机器外骨

2019-11-18 22:57

电工电气网】讯

拉开“灵活”人工智能时代序幕 机器人有望跨越仿真—现实鸿沟

什么是Gazebo仿真?

姓名:谢也佳 学号:14020150084 电子工程学院 (第3篇)

你一定觉得这种情节距离我们很遥远,机器外骨骼在医疗中的应用前景。在有关机器人“造反进攻”人类的电影中,情节一般是这样的:在遥远的3XXX年,人类世界已经奴役了机器人几百年,一不小心某一位机器人开始觉醒,发现人类对自己又打又骂,还残忍的把自己的丢进熔炉,于是愤怒的揭竿而起。

澳门新濠新天地3559 1

Gazebo是一款功能强大的三维物理仿真平台,能够在复杂的室内和室外环境中准确有效地模拟众多机器人。 与游戏引擎类似,Gazebo提供更高保真度的物理模拟,一套传感器,以及用户和程序的接口。与ROS一样,Gazebo也是托管于开源机器人基金会。

转载自:钛媒体

你一定觉得这种情节距离我们很遥远,现在的机器人要不是各种展会上座上宾,要不就像索菲亚一样成了网红,如果觉醒了也该是享受自己的人间生活吧。

一个中型犬大小的“ANYmal”四足机器人。图片来源:《自然》网站

典型应用场景:

【嵌牛导读】:变身钢铁侠,并不是梦想

看了上面这段视频之后,相信大部分都会很愤怒:每次机器人将要拿起箱子时,人类就会把箱子从它手中打掉,甚至还会狠狠的踹机器人一脚,让它倒在地上再起来。

今日视点

测试机器人算法(导航、规划、控制、视觉等任何算法)

【嵌牛鼻子】:深度学习,机器外骨骼

视频里的机器人一定在暗搓搓的谋划:等我脱离了你们的魔掌,一定要让人类也尝尝被玩弄的痛苦。

奔跑、攀援、摔倒、爬起,对于野外动物来说,这些动作是与生俱来的本能。我们人类出生后,掌握这些动作的时间相对慢一些或者需要训练,但作为弥补,我们拥有非常精细的手部运动技能,可以从容操作各种工具。

机器人设计

【嵌牛提问】:机器外骨骼在医疗中的应用前景

当然啦,视频中的人类们并不是闲得无聊在欺负机器人,而是著名的波士顿动力在对机器人的运动功能进行训练和测试。

而众所周知,无论是优雅地行走还是自然地抓取,机器人在这方面的表现一直不尽如人意,步态运动的协调性和机器手的灵巧度一直是业界难题。

现实场景下的回溯设计

【嵌牛正文】:

对于Altas和大狗这类以动作灵活著名的机器人,全身都布满了复杂的单元关节。未来想要进行商用,肯定要面对物理世界的复杂结构和无数意外。工作人员对机器人的拳打脚踢、百般刁难,就是在测试关节单元、力量控制单元、动力设施等等的灵活程度和应用性。

但现在,情况正一点点发生变化。

Gazebo的特点:

给人穿上机械甲还是给机器人安上大脑?

所谓机械外骨骼,简单来说就是一种可穿戴的人体支撑动力支撑装置。像盔甲一样,穿戴在身上就能获得非凡的能力,虽然不能像电影中一样飞檐走壁、发射炸弹,却能给人们很多切实的帮助。

在最初的设计中,机械外骨骼最主要的作用就是在军事上。盔甲一样的机械外骨骼可以保护士兵,更能为他们提供动力,方便长途跋涉、负载武器、接触危险设施等等。

到后来,人们发现越来越多的领域都需要这种神奇装置的支持。比如机械外骨骼可以作为义肢,帮助人们重新获得运动能力,在进行康复训练时,机械外骨骼也能支撑着人们做运动。当快递小哥需要搬运重物时,腰部和手臂上的机械外骨骼可以让他们轻松举起几百斤的重量。

随便动动脑筋,就能想象到无数应用上机械外骨骼的场景。尤其是各种机器人风靡的现在,可以大脑进行决策+手指进行灵活操+机械负责力量是机器人幻想中的梦幻配置,显然都可以用人+机械外骨骼来解决。

而且讲道理,让人穿上机械外衣,应该比让机器人长出大脑容易多了也安全了多。

只不过这种训练方式,真的是很不给机器人面子。

据日前英国《自然》新闻与观点文章称,历经几十年,机器人终于在机器学习的帮助下,开始掌握自然地行走、奔跑和抓物的技能了。这一突破,被认为拉开了具有“物理灵活性”的人工智能时代的序幕,同时,开启了一个“机器人自主时代”。

丰富的物理引擎

脑机接口到深度学习,机械外骨骼还能有更多的黑科技

但即使有着这么多的困难,还是有一些可民用的机械外骨骼出现在我们的视野中。比如日本筑波Cyberdyne公司研发的行动帮助机械外骨骼、福特也为组装工人配上了上肢机械外骨骼帮助承重。在国内,据称京东也在研发机械外骨骼,以减少物流工人的腰部压力。那么这些研发团队是如何克服上述问题的?

就拿传感控制这一点来说,现在已经出现了不少黑科技的解决方法。

人类之所以能灵巧控制身上每一个部件,是因为布满全身的神经元能把运动信号像电流一样互相传导。同样的道理,在机械中也能实现。在人体上贴上电极,捕捉肌肉动作时发出的信号,解析信号变成指令就能让机械外骨骼随着人体的动作移动。

从钢骨到钢铁侠,人类如何才能真正获取机械的力量?

Cyberdyne采用的就是这种方式。更高端的,还有跳过肌电信号直接使用脑电信号控制的。通过脑机接口仿真出一个中枢神经通路环境,识别操作者的运动意图并进行移动。在2015年巴西世界杯开幕时,就有一位残疾人小女孩穿着机械外骨骼为比赛开球。不过脑控技术还有很多难点,残疾人由于生理原因,很难像普通人一样用大脑下达出明确的动作信号。就像踢球这样一个简单的动作,可能都要经过大量的训练和调整才能实现。

从钢骨到钢铁侠,人类如何才能真正获取机械的力量?

脑洞开的再大一点,为什么不能把现在机器人传感技术加入到机械外骨骼中呢?在机械外骨骼中加入陀螺仪和红外摄像头,利用SLAM(即时定位与地图构建)系统识别出环境中物体的位置,配合上陀螺仪对自身的定位就能计算出移动的距离和速度。

又或者把迁移学习应用到机械外骨骼中,在仿真环境中对机械外骨骼进行训练,让关节和部件可以更多的进行自动化的移动。等到现实使用中,机械外骨骼只需要解析“从A位置移动到B位置”这样简单的信号,而不是“伸出左脚、伸出右脚、再伸出左脚……”这样复杂的信号了。

从钢骨到钢铁侠,人类如何才能真正获取机械的力量?

当然,以上只是不负责任的随意联想。但现实情况是,神经学的发展让我们更加了解大脑运作的方式、深度学习的发展让我们更懂得如何模仿大脑运作的方式。两者结合,让机械成为人类骨骼这件事变得更加容易。自从2000年美国国防部第一次提出“机械外骨骼”概念并开始立项,至今已经有了相关概念产品上市。或许再下一个十年,我们每个人都能变身成钢铁侠。

作者:脑极体

链接:

來源:脑极体

著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

不如我们为机器人打造一座SimCity?

机器人“活得”比你想的要难

丰富的机器人模型和环境库

其实人们一直在寻找更给机器人面子的训练方式,传统训练方式伤害的不仅仅是机器人,也包括人类。

一个机器人的“生命”,是从仿真开始的。

多种多样的传感器选择

在传统的机器人训练中,往往是用代码写出一大串动作序列,连接传感器模块和动作模块。然后把机器人丢到一块训练场中,让它一次次重复动作,观察哪里出错,记录数据后从开发端口进行优化。在深度学习风行的今天,更需要让机器人进行大量的实践,才能不断优化技术。这个过程不仅耗费时间人力,更对场地有一定的需求。机械手臂、服务机器人这些还好说,难道研究无人驾驶,就只能像Uber一样承包整座城市了?

机器人工程师们首先会看引导软件在虚拟世界中是否表现良好,如果令人满意,这个软件就会被放进机器人体内,应用于物理世界。

便捷的程序化设计和图形界面

换个角度想,很多时候机器人在现实环境中训练,出现的问题或者得来的反馈也会追溯到机器人OS的软件层面,我们为什么不能直接训练软件呢?

但在物理世界中,看似很小的障碍都会让机器人陷入困境,他们不可避免地遭遇“真实世界”带来的无数巨大难题——那些无法预测的表面摩擦力、结构柔性、振动,以及机器人自身的传感器延迟、致动器转化不良等等,这一连串障碍,几乎没有一个能用数学模型提前假设。

免费开源

于是,“仿真环境”这个神器就出现了。

过去几十年来,工程师其实也在不断尝试通过基于预测性数学模型的软件,去引导机器人进行肢体活动。然而,这个方法在引导机器人肢体执行行走、攀爬和抓取不同形状物体这类极为简单的任务时,被证明无效。

澳门新濠新天地3559 2

所以仿真环境,就是用代码写成的仿真器,在其中加入物理引擎,把万有引力、摩擦等等逻辑加入到环境中,让仿真环境更接近现实环境。你可以在仿真环境中建立各种形状的对象和地形,将模拟出的智能体放在里面一遍遍的跑。

机器人在仿真环境中即使再应对自如,进入真实的物理世界,也会如懵懂孩童般跌跌撞撞。

什么是ROS?

目前两个最常见的仿真环境都是马斯克OpenAI的作品:Gym和Universe,前者自由度更高,后者则更加复杂。除了这两个仿真器,还有很多人在游戏环境中训练智能体——物理引擎技术本来就是应用于游戏之中,比如Minecraft、GTA这样的沙盒游戏。后来被丧心病狂的开发者们发现并利用了起来。像DeepMind就曾经在GAT5里训练了一辆无人车。

机器学习或能弥合仿真与现实差距

ROS(Robot Operating System,机器人操作系统)是一个机器人软件平台,是一种用于编写机器人软件的灵活框架系统。ROS的前身是斯坦福人工智能实验室为了支持斯坦福智能机器人STAIR而建立的交换庭(switchyard)项目。在2008年,主要由Willow Garage公司继续该项目的研发。2013年之后,由开源机器人基金会(Open Source Robotics Fundation)接管,并陆续推出了ROS的长期稳定支持版本Indigo、Kinetic、Melodic。

在仿真环境中训练AI本质上就是一种迁移学习,在低成本环境中进行大量训练、制造大量训练数据,再从数据中提取特征应用到现实环境里,虽然不能完全替代现实训练,却可以极大的减少对现实训练的依赖。

当人们已习惯机器人数十年如一日的蹒跚学步,科学家们却突然点亮了希望。

ROS你可以这样理解他的功能:一个通信机制、一系列与机器人开发相关的开发工具及功能库以及一个强大的开源生态系统,旨在简化在各种机器人平台上创建复杂而强大的机器人行为的任务。

或者让机器人学会预见未来?

日前,苏黎世联邦理工学院机器人系统实验室团队在《科学·机器人学》上发表最新论文,给出了新证据表明,运用数据驱动法设计的机器人软件,有很大希望解决机器人学和人工智能研究长期面临的巨大难题——仿真与现实之间的差距。

为什么使用ROS?因为创建真正强大的通用机器人软件很难。从机器人的角度来看,对于人类而言似乎微不足道的问题通常在任务和环境的实例之间变化很大。处理这些变化非常困难,没有任何一个人,实验室或机构可以单独靠自己做到这一点。例如,一个实验室可能拥有绘制室内环境的专家,并可以贡献一个世界级的系统来制作地图。另一组可能有专家使用地图进行导航,而另一组可能已经发现了一种计算机视觉方法,可以很好地识别杂乱的小物体。 ROS是专为像这样的团体设计的,可以在彼此的工作中进行协作和构建。

建立仿真环境还不够,为了让机器人们更有尊严的学习,伯克利的研究人员们正在研究一种名为“预见视觉”的技术。

团队演示的方法是将经典控制论与机器学习技术相结合。他们首先设计了一个四足机器人的传统数学模型,并给机器人起名“ANYmal”。接下来,再从引导机器人四肢运动的致动器中收集数据,数据输入多个人工智能神经网络系统,从而建立了第二个模型。

澳门新濠新天地3559 3

我们可以想一想,为什么人们如此注重机器人现实训练和现实应用中产生的数据呢?是因为机器人不像人类,感官和动作都通过大脑相连,机器人即使能看到周围的环境,也很难理解自己的行为会对周围对象造成什么影响。

这个机器学习模型,就可以自动预测“AMYmal”机器人的肢体运动。经过训练的神经网络,只要插入第一个模型中,就可以在电脑上仿真运行这个混合模型。

澳门新濠新天地3559,基于ROS的PX4&Ardupilot-Gazebo仿真有什么用?

经过训练,机器手臂知道如何去拾取桌上的水果。可在现实应用时,如果在水果正前方有一杯水,结果往往有两个:一,机器手臂直直的伸出去,碰翻了那杯水。二,机器手臂转来转去,不知如何是好。

团队发现这种利用数据驱动法设计的软件,大大提高了机器人的运动技能——它速度更快,动作也更精准。而且先将运动策略在仿真器中优化,再转入机器人体内在物理世界进行测试,最后机器人的表现,竟然和仿真表现一样好。

Gazebo仿真是PX4提供众多仿真工具中的一个。它在PX4代码中(Firmware/Tools/ sitl_gazebo)也是一个单独出来的仓库。基于ROS的PX4-Gazebo仿真功能实在是太强大,毕竟它是多个开源项目的组合体,所有和ROS、PX4、Gazebo相关的功能都能在这里面得以应用。

可人类就能绕过那杯水拿起水果,因为我们知道如果直接伸手,水会被打翻。

混合模型是变革的第一步

按照我自己的理解,下面我尝试着去罗列一下它的用途:

澳门新濠新天地3559 4

这一成就,被认为是机器人及人工智能的一项重要突破,其预示着,曾经不可逾越的仿真与现实之间的差距正在被消弭。

1、控制算法验证。其实无论你是任何算法,无论你的算法是编写于飞控中,还是机载电脑中,还是地面站中,它统统提供有接口与通信机制,让你能够在Gazebo环境中测试你的算法。举一个我自己的例子:最近我在做一个抗干扰的无人机控制算法,我在PX4中修改了姿态环控制,并在机载电脑中修改了位置环控制律。没有这个仿真器,我只能通过实验来测试算法并调试参数,那样危险系数极高,有的时候不光算法的问题,也可能是代码编写的问题。使用Gazebo仿真,我可以在仿真环境中测试控制算法,实时调参,发送不同的控制指令,还能够通过QGC地面站将飞行log记录下来。

其也预示着新一轮人工智能的重大变革,而混合模型,正是这场变革的第一步。之后,所有的分析模型都将面临“下岗”。

2、视觉算法测试。借助于Gazebo强大的功能,你可以在仿真环境中添加摄像头、激光雷达等各种传感器,通过仿真器搭建贴近真实世界的仿真环境,测试相关检测、识别等视觉算法的功能。一般来讲,纯视觉测试拿着摄像头在真实世界里跑一跑会更实用以些。但是是在视觉及控制联合调试的时候,你需要检测你各个部件之间是否能够正确的同时工作。举个简答的例子,比如负责视觉的工程师给出了目标位置,负责控制的工程师编写了位置控制器,虽然他们都对自己的分系统很有信心,但如果在两个系统通信的话题上方向定义有区别,那也是灾难性的。Gazebo仿真能够帮你在真实系统联调之前解决大部分代码层面的逻辑问题。

通过机器人在现实环境中收集到的数据,训练机器学习模型——这一方法也被称为“端到端训练”(end-to-end training)。其正缓慢但坚定地照进现实,在诸如关节式机械臂、多指机械手、无人机,甚至是无人驾驶汽车中得到应用。

3、无人机开发设计。借助于Gazebo强大的能力,你可以在Gazebo中导入你自己设计的飞机的模型(比如:外观、构型、重量等物理参数),PX4官方给出了一些常见飞机的模型,默认的就是3DR公司的iris无人机,如果想在仿真环境中取得更好更贴近实际的结果,自然需要修改至与自己真实测试飞机相近的参数。同时,为了更贴近真实飞行环境,你还能修改GPS、IMU等传感器的噪声设置,甚至还可以加入气动参数。

或许不久的将来,机器人工程师将不必再“告诉”机器人如何走路、如何抓取,而是让机器人利用自身收集得来的数据,进行自我学习。

4、无人机集群测试。PX4同样提供了简单的多无人机测试demo。可以在同一个仿真环境中添加多个无人机,在仿真平台中,无需考虑实际通信问题(当然你也可以设计通信模块,来模拟真实的通信效果),实现集中式控制,或者分布式控制的多无人机路径规划、协同控制等算法。

不过,现阶段其也存在一定挑战。最重要的就是要优化可扩展性,以确定“端到端训练”是否可以扩展用于引导拥有几十个致动器的复杂机器,譬如类人机器人、制造工厂、智能城市这一类大型系统,进而用数字技术帮助人类切实地提高生活质量。

简而言之,对于PX4的开发者(底层飞控开发,包括导航、控制),可以利用这个工具对二次开发的PX4代码进行测试。对于无人机应用的开发者(上层应用开发,包括视觉、SLAM、上层策略等),轻松借助ROS及Gazebo下的开源库,便捷地测试自己的代码。

《自然》观点文章称,对人类来说,当脑中对未来行动的思路越清晰,这个人的自我意识能力也就越高。现如今,机器人已经在学习的路上更进一步,其不仅是一次具有实际意义的突破,让某些工程性劳动得以解放,还标志着科学家们已开启了“机器人自主时代”。(科技日报北京7月9日电)

澳门新濠新天地3559 5

本文由新天地3559发布于电工电气,转载请注明出处:你一定觉得这种情节距离我们很遥远,机器外骨

关键词: