布朗大學(xué)計算機(jī)科學(xué)助理教授斯特弗尼?特里克斯正在解決一個棘手的問題：機(jī)器人的抓握能力。她建立了一個機(jī)器學(xué)習(xí)模型，使機(jī)器人能夠自動學(xué)習(xí)操縱對象，并且能夠從中產(chǎn)生許多樣本數(shù)據(jù)，有了這些數(shù)據(jù)，其他研究人員可以用它來訓(xùn)練機(jī)器人的抓握能力。

　　一開始，特里克斯言語之間就充滿著活力與激情，她慢慢陳述著在抓捏物體上，機(jī)器人所面臨的普遍問題。

　　“大多數(shù)的機(jī)器人在大部分時間能夠抓取物體，但是這也是有一定前提條件的。如果你去到機(jī)器人實(shí)驗(yàn)室，并把一個陌生的從沒看到過的物體放在機(jī)器人面前，該機(jī)器人基本上是無法抓起這個東西的，因?yàn)樗摹季S’里沒有這個物體的信息，也沒有針對該物體做過訓(xùn)練?！?/p>

　　這真的是一個實(shí)際問題，因?yàn)闄C(jī)器人要抓起這些物體，它們就必須明白具體的任務(wù)，以及從傳感器信息庫中知道關(guān)于該物體的相關(guān)信息。例如它的形狀，它所在的位置等等。而這些問題也是機(jī)器人手臂必須被解答的問題，通常還包括，要想抓起這些物體，那么機(jī)器人手臂應(yīng)該調(diào)整到什么位置才能夠準(zhǔn)確地抓起該物體呢？

　　研究人員對機(jī)器人進(jìn)行編程之后，它可以拿起特定的物體，這其中都是有一部分規(guī)律可循的，但是這些編程好的程序通常只能幫助機(jī)器人抓捏起一小部分的物體。目前，要想使得機(jī)器人能夠自主地抓起某些不熟悉的物體或者移動它們，還是有很大難度的，有類似能力的機(jī)器人還在開發(fā)當(dāng)中。

　　而特里克斯所構(gòu)建的機(jī)器學(xué)習(xí)模型可以讓她的實(shí)驗(yàn)室機(jī)器人在錯誤中進(jìn)行學(xué)習(xí)，經(jīng)過反復(fù)試驗(yàn)，直到它能成功地抓起物體。在嘗試和錯誤的交替過程中，可以產(chǎn)生一系列的關(guān)于該物體的圖片信息庫，以及夾持器與物體之間也可以在磨合中更加熨帖。

　　機(jī)器人不斷練習(xí)所產(chǎn)生的附屬產(chǎn)品就是數(shù)據(jù)庫，它可以成為機(jī)器學(xué)習(xí)的樣本數(shù)據(jù)，用來訓(xùn)練其他機(jī)器人來抓捏同樣的物體。但在特里克斯實(shí)驗(yàn)室中，她的巴克斯特機(jī)器人卻不能夠產(chǎn)生足夠多的樣本數(shù)據(jù)。

　　為了解決這個問題，特里克斯推出了一個“百萬挑戰(zhàn)計劃”，她想要招募全世界的實(shí)驗(yàn)室，針對400臺巴克斯特機(jī)器人來進(jìn)行研究，讓這些閑置的機(jī)器人可以根據(jù)她所研發(fā)的機(jī)器學(xué)習(xí)模型來運(yùn)行，讓它們對上百萬個物體進(jìn)行抓取實(shí)驗(yàn)，最終得到一份詳細(xì)的數(shù)據(jù)。

　　為什么樣本訓(xùn)練數(shù)據(jù)很重要

　　近年來，機(jī)器學(xué)習(xí)的應(yīng)用技術(shù)如自動駕駛汽車以及圖像識別的應(yīng)用技術(shù)都得到了迅猛的發(fā)展，都是因?yàn)樵谶@些領(lǐng)域有大量的樣本數(shù)據(jù)可以用來訓(xùn)練這些機(jī)器學(xué)習(xí)模型。而機(jī)器人抓取能力的滯后，最主要原因在于樣本數(shù)據(jù)的缺少，從而無法訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

　　使用標(biāo)記的數(shù)據(jù)來訓(xùn)練機(jī)器學(xué)習(xí)模型最便于理解的例子就是圖像識別。圖像識別的精度已經(jīng)提高了90%。如此進(jìn)步可以歸因于機(jī)器學(xué)習(xí)的應(yīng)用以及龐大的樣本數(shù)據(jù)庫。數(shù)以百萬計的標(biāo)記圖片集已經(jīng)在學(xué)術(shù)研究中被廣泛使用了，如谷歌，F(xiàn)acebook和其他在線圖像存儲器。

　　神經(jīng)網(wǎng)絡(luò)是如何工作的

　　神經(jīng)網(wǎng)絡(luò)是一個由幾個簡單高度互連的處理元件組成的計算機(jī)系統(tǒng)，可以通過對外部輸入的動態(tài)回應(yīng)來處理信息。它主要是通過處理大量的被標(biāo)記的數(shù)據(jù)，從而來獲得理解不同情形的能力。

　　一張鳥的圖像中，鳥是特定的鳥，在一張汽車圖像中，汽車也是特定的汽車。大量的圖像樣本可通過機(jī)器學(xué)習(xí)軟件來進(jìn)行處理，如Torch和Tensorflow，然后讓它在神經(jīng)網(wǎng)絡(luò)上運(yùn)行，就能夠?qū)ζ溥M(jìn)行訓(xùn)練來識別照片中的物體了。

　　在這種情況下，輸入的信息主要就是大量的被標(biāo)記的圖像，緊接著系統(tǒng)就能輸出關(guān)于該圖片的許多識別標(biāo)簽，例如所輸入的圖片到底有沒有汽車。而還有一個隱藏的部分就是整個處理過程，通常包含神經(jīng)元，以及根據(jù)算法而來的機(jī)器學(xué)習(xí)軟件處理程序，也可被稱為該圖像的中間值。

　　緊接著系統(tǒng)會對這些樣本數(shù)據(jù)進(jìn)行重新處理，從而可以測試出該模型在推測圖片標(biāo)簽上的準(zhǔn)確性。然后再對結(jié)果進(jìn)行比對，如果有錯誤就更正過來，并將其反饋到神經(jīng)網(wǎng)絡(luò)中，算法程序就可以根據(jù)所反饋的內(nèi)容做出相關(guān)判斷。這樣的糾錯過程會如此往復(fù)直到出現(xiàn)正確的預(yù)測。

　　自動駕駛汽車也是以同樣的方式來學(xué)習(xí)駕駛的。當(dāng)有人在駕駛某一輛特定的汽車時，可以將路面的情況，以及各個轉(zhuǎn)彎的角度用3D視頻的方式記錄下來，形成樣本數(shù)據(jù)庫。

　　該日志可以輸入到機(jī)器學(xué)習(xí)系統(tǒng)當(dāng)中，從而可以訓(xùn)練算法正確地將相關(guān)信息輸入到視頻中去。這個過程會重復(fù)進(jìn)行，直到調(diào)整到一個適用于車輛操作的駕駛模式。

　　用來訓(xùn)練圖像識別系統(tǒng)的樣本信息量是很巨大的。而自動駕駛汽車有大量的數(shù)據(jù)集。谷歌研發(fā)的自動駕駛汽車已經(jīng)行駛了一百萬英里，特斯拉也行駛了近10億英里，有了這些數(shù)據(jù)，可以提供更全的駕駛經(jīng)驗(yàn)。而訓(xùn)練機(jī)器人的抓握能力時，卻沒有這些數(shù)據(jù)的支持。

　　“百萬挑戰(zhàn)計劃”

　　如果特里克斯的“百萬挑戰(zhàn)計劃”可以成功，將會獲得大量的數(shù)據(jù)，終將有一天可以讓機(jī)器人有更準(zhǔn)確的抓握能力。