受大象鼻子启发的机器人抓手可以轻松捏住各种尺寸的物体

受大象鼻子启发的机器人抓手可以轻松捏住各种尺寸的物体大象鼻子顶端灵活的"手指"为一种多功能的机器人抓手提供了灵感，它能够拿起和抓住各种大大小小的物体--从针灸针到薄金属尺再到大包装盒。大象的鼻子有点像一个巨大的滑溜溜的东西，覆盖着坚硬的皮肤，并塞满了肌肉和神经，它有许多用途--包装有强大的嗅觉，能够吸水或吸土，并能抓取不同形状的物体。PC版：https://www.cnbeta.com/articles/soft/1330689.htm手机版：https://m.cnbeta.com/view/1330689.htm

柔软的细管机器人解决了抓取脆弱物体的棘手问题

柔软的细管机器人解决了抓取脆弱物体的棘手问题拥有柔软触觉的人似乎对抓取精致的物体不存在太多问题，但对冷冰冰的机器人来说，这可能是一个艰难的要求。哈佛大学约翰-A-保尔森工程与应用科学学院（SEAS）的研究人员采取了一种以数字为基础的方法，用一个抓手将多个细管卷在一个脆弱的物体上。PC版：https://www.cnbeta.com/articles/soft/1330439.htm手机版：https://m.cnbeta.com/view/1330439.htm

哥伦比亚大学工程师创造出高度灵巧的类似人类的机器人手 可以在黑暗中操作

哥伦比亚大学工程师创造出高度灵巧的类似人类的机器人手可以在黑暗中操作多年来，机器人研究人员一直在努力实现机器人手的"真正"灵巧性，然而这一目标已被证明是具有挑战性的。虽然机器人抓手和吸盘能够拿起和放置物体，但需要更大灵活性的任务，如组装、插入、重新定位、包装等，仍然是人类操纵的领域。然而，最近在传感技术和机器学习方法方面的进步，以分析收集到的数据，引起了机器人操纵领域的快速转变。用触觉手指进行灵巧的操纵。资料来源：哥伦比亚大学工程与应用科学学院高度灵巧的机器人手甚至在黑暗中工作哥伦比亚工程学院的研究人员展示了一种高度灵巧的机器人手，这种手结合了先进的触觉和运动学习算法，以实现高度的灵巧。作为技能的展示，该团队选择了一项困难的操纵任务：对手中形状不均匀的被抓物体执行任意大的旋转，同时始终保持该物体的稳定、安全。这是一项非常困难的任务，因为它需要不断地调整一组手指的位置，而其他手指则必须保持物体的稳定。这只手不仅能够完成这项任务，而且在没有任何视觉反馈的情况下，仅靠触摸感应就能完成。机器学习算法处理来自触觉传感器的数据，以产生协调的手指运动模式进行操纵。资料来源：哥伦比亚大学ROAM实验室除了达到灵巧的新水平外，这只手在没有任何外部摄像头的情况下工作，因此它完全不受照明、遮挡或类似的问题影响。而且，这只手不依靠视觉来操纵物体的事实意味着它可以在非常困难的照明条件下这样做，这些条件会混淆基于视觉的算法--它甚至可以在黑暗中操作。机械工程系和计算机科学系副教授MateiCiocarlie说："虽然我们的演示是在一个概念验证任务上，旨在说明手的能力，但我们相信，这种灵巧程度将为现实世界中的机器人操纵开辟全新的应用。一些更直接的用途可能是在物流和材料处理方面，帮助缓解像近年来困扰我们经济的供应链问题，以及在工厂的先进制造和装配方面。"利用基于光学的触觉手指在早期的工作中，Ciocarlie的小组与电子工程教授IoannisKymissis合作，开发了新一代基于光学的触觉机器人手指。这些是第一个实现接触定位的机器人手指，精度达到亚毫米级，同时提供复杂的多弯曲表面的完全覆盖。此外，手指的紧凑包装和低线数使其能够轻松地集成到完整的机器人手上。一个配备了五个触觉手指的灵巧机器人手。这里显示的是其中一个手指的最外层"皮肤"，以显示内部结构。资料来源：哥伦比亚大学ROAM实验室教手完成复杂的任务在这项由CIocarlie的博士研究员GaganKhandate领导的新工作中，研究人员设计并建造了一个有五个手指和15个独立驱动关节的机器人手--每个手指都配备了该团队的触摸感应技术。下一步是测试该触觉手执行复杂操纵任务的能力。为此，他们使用了运动学习的新方法，或机器人通过练习学习新的物理任务的能力。特别是他们使用了一种称为深度强化学习的方法，并辅以他们为有效探索可能的运动策略而开发的新算法。机器人仅用几个小时的实时时间就完成了大约一年的练习运动学习算法的输入完全由该团队的触觉和本体感觉数据组成，没有任何视觉。使用模拟作为训练场，机器人仅用几个小时的实时时间就完成了大约一年的练习，这要归功于现代物理模拟器和高度并行的处理器。然后，研究人员将这种在模拟中训练的操纵技能转移到真正的机器人手上，它能够达到团队所希望的灵巧水平。Ciocarlie指出，"该领域的方向性目标仍然是家庭中的辅助机器人，这是真正灵巧性的最终试验场。在这项研究中，我们已经表明，仅凭触摸感应，机器人的手也可以是高度灵巧的。一旦我们在触摸的同时也将视觉反馈加入其中，我们希望能够实现更多的灵巧性，并在某一天开始接近人类手的复制。"最终目标：将抽象的智能与具象的智能相结合最终，Ciocarlie观察到，一个在现实世界中有用的物理机器人既需要抽象的语义智能（从概念上理解世界如何运作），也需要具身智能（与世界进行物理互动的技能）。像OpenAI的GPT-4或Google的PALM这样的大型语言模型旨在提供前者，而本研究中实现的灵巧操作则是后者的补充性进展。例如，当被问及如何制作一个三明治时，ChatGPT会打出一个分步骤的计划作为回应，但需要一个灵巧的机器人来接受这个计划并实际制作三明治。同样，研究人员希望身体熟练的机器人能够将语义智能带出互联网的纯虚拟世界，并将其很好地用于现实世界的物理任务，甚至可能在我们的家里。...PC版：https://www.cnbeta.com.tw/articles/soft/1357811.htm手机版：https://m.cnbeta.com.tw/view/1357811.htm

新AI技术大幅提升机器人物体识别能力

新AI技术大幅提升机器人物体识别能力研究团队的技术旨在帮助机器人检测各种家用环境中的物品，并能识别常见物品的不同版本，如大小和品牌不同的水瓶等。埃里克·琼森工程与计算机科学学院计算机科学助理教授向说:“如果你要求机器人拿起杯子或给你拿一瓶水，机器人需要识别这些物体。”研究团队实验室里有一个储物箱，里面装满了常见食物的玩具包，比如意大利面、番茄酱和胡萝卜，这些玩具包用来训练名为“Ramp”的实验室机器人。Ramp是FetchRobotics的一款移动机械手机器人，高约4英尺，位于圆形移动平台上。坡道有一个带有七个关节的长机械臂。末端是一个方形的“手”，有两个手指来抓握物体。据称，机器人学习识别物品的方式与儿童学习与玩具互动的方式类似。他们的机器人通过大力推动每个物品15-20次，使用RGB-D相机拍摄更多图片，以获取每个物品更丰富的视觉细节，从而减少误识的可能性。多次推动可获得更完整的图像序列，使机器人逐步识别出物品。这比仅依靠单次推动来“学习”物体的传统方法更具优势。研究人员表示，这种长时间机器人交互进行物体识别的系统，可以显著提高机器人识别日常生活中各类物品的能力。这对机器人完成家务等复杂任务，提升其视觉和认知能力大有裨益。后续研究将继续提升机器人的其他功能，如运动规划和控制，以实现更复杂的任务，例如分类回收物品等。这项技术进步有望加速机器人进入日常生活，服务人类需求。...PC版：https://www.cnbeta.com.tw/articles/soft/1381255.htm手机版：https://m.cnbeta.com.tw/view/1381255.htm

MIT研究人员正在设计能够自我搭建的机器人

MIT研究人员正在设计能够自我搭建的机器人该系统的中心是体素（体积像素的简称，一个从计算机图形学中借来的术语），它携带的动力和数据可以在碎片之间共享。这些碎片构成了机器人的基础，移动到网格上进行进一步组装之前，可以抓取和连接其他体素。研究人员在《自然》杂志上发表的一篇相关论文中指出："我们的方法挑战了大型建筑需要大型机器来建造的惯例，并且可以应用于今天需要大量资本投资的固定基础设施或完全不可行的领域。"图片来源/麻省理工学院为这些系统开发适当水平的人工智能是一个很大的障碍。机器人需要确定如何和在哪里建造，何时开始建造一个新的机器人，以及如何避免在这个过程中相互碰撞。论文的共同作者NeilGershenfeld在一份新闻稿中说："当我们建造这些结构时，你必须建立起足够的人工智能，结构性电子学的见解可以使体素能够传输电力、数据以及力。"除了智能领域还需要努力外，硬件问题也仍然存在。该团队目前正在努力建立更强大的连接器，以保持体素牢固拼合在一起。麻省理工学院指出，最终这种机器人可以被用来确定最佳的建筑结构以节省大量的时间用于原型设计。虽然人们对3D打印房屋的兴趣越来越大，但如今那些需要的打印机器与正在建造的房屋一样大或更大。同样，这种结构改由成群的微小机器人组装的潜力可以带来好处。美国国防部高级研究计划局也对这项工作感兴趣，因为它有可能被用来自主建造海岸保护结构以防止侵蚀和海平面上升。美国宇航局和美国陆军研究实验室已经参与资助该项目。...PC版：https://www.cnbeta.com.tw/articles/soft/1333571.htm手机版：https://m.cnbeta.com.tw/view/1333571.htm

特斯拉的 Optimus 机器人，现在可以自主地对物体进行分类和排序

特斯拉的Optimus机器人，现在可以自主地对物体进行分类和排序特斯拉的Optimus机器人，现在可以自主地对物体进行分类和排序。它是基于特斯拉的端到端神经网络训练的，直接从视频输入中获取信息，并输出控制指令。这种端到端的训练方法使得Optimus能够直接从视频中学习和理解其环境，而不需要中间的转换或解释步骤。就是机器人看到什么，就知道该怎么做。视频中，机器人成功地将蓝色和绿色的积木块分别放入蓝色和黄色的托盘中。当一个人干预并移动积木块的位置时，机器人能够迅速适应这种变化并继续完成任务。最后，机器人还展示了几个瑜伽姿势，这些姿势与实际工作量没有关系，但显示了机器人在一条腿上平衡和平衡伸展四肢重量的能力。频道：@kejiqu群组：@kejiquchat