PhysicsGen：用仿真数据训练灵巧机器人，提高协作任务成功率

近日，麻省理工学院（MIT）的研究团队开发出了一种基于仿真的数据生成流程，旨在为灵巧机器人量身定制训练数据。这一流程通过创建详细的模拟数据点，指导机器人如何处理物体。这些数据点被整合到机器人的操作计划中，使机器人能够尝试多种动作，即使某一方法失效，也能迅速调整为备用方案。 这一技术的核心在于模仿引导的数据生成方法，该方法结合了人类演示的优势和机器人运动规划算法的强大能力。研究人员在真实世界中使用两台机械臂进行了实验，结果显示，机器人在协作完成翻转大型箱子的任务时表现出了类似的进步。当机器人偏离预定轨迹或错误处理物体时，它们能够通过参考教学数据库中的备选轨迹即时恢复任务。 资深作者Russ Tedrake表示：“人类的一次演示就能让运动规划问题变得简单得多。”Tedrake不仅是MIT的丰田电气工程与计算机科学、航空学及机械工程教授，还是丰田研究所的大规模行为模型高级副总裁以及CSAIL（计算机科学与人工智能实验室）的首席研究员。他进一步指出：“未来，基础模型可能会提供这类信息，而这种数据生成技术则能为这些模型提供一种后训练期的食谱。” PhysicsGen的未来发展方向包括扩展机器人执行任务的多样性，使其能够完成未曾直接示例的任务。例如，研究团队希望利用PhysicsGen教机器人在没有专门训练的情况下倒水。PhysicsGen不仅为熟悉的任务生成动态上可行的动作，还可能创建一个物理互动的综合数据库，作为机器人完成全新任务的基础“积木”。 虽然构建适用于各种任务的机器人基础模型仍是一个长远目标，但MIT的研究人员正在探索如何利用未加标注的资源（如网络视频）作为模拟的种子，将日常视觉内容转化为丰富的、机器人可用的数据源，从而教导机器人完成从未见过的任务。例如，研究人员计划通过引入加强学习技术，使PhysicsGen能够在超越人类示范范围之外不断扩展数据集。他们还考虑加入先进的感知技术，帮助机器人更直观地感知环境，分析并适应现实世界的复杂情况。 目前，PhysicsGen已经证明其在教导不同形状与配置的机器人处理同类刚性物体方面的有效性。下一步，研究团队计划使该流程适用于软物体（如水果）和可变形物体（如橡皮泥）的处理，但这些交互作用的模拟依然存在巨大挑战。 业内人士对这一成果给予了高度评价，认为该技术为解决机器人在多样任务中的灵活性问题提供了新的思路。MIT作为世界顶尖的科研机构，其在机器人技术领域一直处于领先地位，此次PhysicsGen的研发再次展现了其创新实力。研究人员表示，PhysicsGen有望在未来几年内实现更广泛的应用，推动机器人技术的发展进入新阶段。