机器之心专栏

机器之心编辑部

字节提出MOMA-Force方法，助力移动操作机器人完成复杂操作任务。

我们正在目睹人工智能大厦的快速搭建，越来越多的算力奠定了大厦地基，大模型加快了大厦的建造速度，具身智能开始成为新的研究热门——大厦的功能性将会得到完备。

具备自主操作行为的移动操作机器人（mobilemanipulators）无疑是具身智能（embodiedAI）的一个绝佳代表：它集机器人的多模态自主感知、自主决策、轨迹生成、鲁棒控制以及灵活本体于一身，为机器人以及具身智能领域的研究员、工程师提出了诸多令人兴奋的挑战点。比如：当我们想要让一台机器“人”进入家庭帮助我们做家务，它如何结合各种传感信息自主生成操作轨迹？如何在操作的过程中保证不损坏家具和自己？

针对移动操作机器人在真实场景操作过程中的自主性和安全性问题，BytedanceResearch团队提出了一种新的方法：MOMA-Force。该方法可帮助移动操作机器人自主、安全地完成多种存在接触约束的操作任务（例如开洗衣机门、推拉抽屉）。

该研究工作在模仿学习的背景下解决了真实物理世界移动操作任务中由不确定性和高维运动学引起的挑战性问题，提出了一种有效的视力觉模仿学习方法以解决复杂的接触移动操作任务。在六个接触约束的移动操作任务上进行了系统的真实机器人实验：在真实家庭环境中，MOMA-Force在任务成功率方面明显优于基线方法（平均成功率73.3％，而最佳基线方法仅实现了45.0％）。此外，与没有力学习的基线方法相比，平均绝对接触力、力矩以及他们的平均方差均大幅减小，表明机器人与物体之间的接触更安全、更稳定。

项目主页：

转载请注明:http://www.aideyishus.com/lkjg/6887.html