在过去的一年中，锁定措施和其他COVID-19安全措施使在线购物比以往任何时候都更加受欢迎，但是不断飙升的需求使许多零售商在确保仓库员工安全的同时，难以履行订单。

加州大学伯克利分校的研究人员已经开发出了新的人工智能软件，该软件使机器人能够快速，熟练地抓住并平稳地移动物体，从而使它们能够在不久的将来帮助仓库环境中的人员。今天（11月18日，星期三）在线发表在《科学机器人》杂志上的一篇论文对此技术进行了描述。

自动化仓库任务可能具有挑战性，因为人类自然会采取许多行动，例如确定在何处以及如何拾取不同类型的物体，然后协调将每个物体从一个位置移动到另一个位置所需的肩部，手臂和腕部运动。对于机器人来说相当困难。机器人动作也趋于生硬，这可能会增加损坏产品和机器人的风险。

加州大学伯克利分校工程学特聘教授肯·戈德堡说：“仓库仍然主要由人操作，因为机器人仍然很难可靠地抓住许多不同的物体。” “在汽车装配线中，一次又一次地重复相同的动作，这样就可以实现自动化。但是在仓库中，每个订单都是不同的。”

该视频演示了在应用深度神经网络之前和之后仓库机器人手臂的取放性能。

在早期的工作中，Goldberg和加州大学伯克利分校的博士后研究员Jeffrey Ichnowski创建了一个“抓握优化运动计划器”，该计划器可以计算机器人如何拾取物体以及如何移动以将物体从一个位置转移到另一个位置。

但是，此计划程序产生的动作有些生涩。尽管可以调整软件的参数以生成更平滑的运动，但是这些计算平均需要大约半分钟的时间来计算。

在这项新研究中，Goldberg和Ichnowski与加州大学伯克利分校的研究生Yahav Avigal和本科生Vishal Satish合作，通过集成深度学习神经网络大大缩短了运动计划器的计算时间。

神经网络使机器人可以从示例中学习。后来，机器人通常可以推广到相似的对象和运动。

但是，这些近似值并不总是足够准确。Goldberg和Ichnowski发现，可以使用运动计划器优化由神经网络生成的近似值。

伊奇诺夫斯基说：“神经网络只需要几毫秒就可以计算出一个近似的运动。这是非常快的，但是它是不准确的。” “但是，如果我们随后将该近似值输入到运动计划器中，则运动计划器只需进行几次迭代即可计算出最终运动。”

通过将神经网络与运动计划器结合使用，团队将平均计算时间从29秒减少到80毫秒，即不到十分之一秒。

深度学习优化的运动计划程序还允许机器人进行更多运动。

Goldberg预测，随着机器人技术的这一进步和其他进步，机器人将在未来几年内协助仓库环境。

戈德伯格说：“由于COVID-19，购买杂货，药品，服装和许多其他东西的方式已经改变，人们甚至可能在大流行结束后仍继续以这种方式购物。” “这是机器人为人类工作者提供支持好的新机会。