打开杂货是一项简单而单调的任务:你伸手拿起一个袋子，触摸物品，然后取出里面的东西，扫描它们，并决定把它们存放在哪里。
现在，这种重复性的工作将被机械手取代。
最近，麻省理工学院和普林斯顿大学的工程师开发了一项新技术。机器人系统，可以帮助完成选择和分拣任务，从仓库产品组织到清理灾区的碎片等任务都会有用。
该团队开发的名为“拾放”的系统包括一个标准。工业机器人手臂组成，研究人员配备了定制的手爪和吸盘。他们开发了一种“对象不可知”的抓取算法，这使得机器人可以对一堆随机的物体进行评估，并确定在杂物中抓取或吸取物体的最佳方式，而无需在捡起物体之前了解物体。
一旦它成功抓住一个物体，机器人把它从盒子里拿出来。然后一组摄像机从不同角度拍摄物体的图像，在新的图像匹配算法的帮助下，机器人您可以将抓取对象的图像与其图像库进行比较，以找到最接近的匹配。这样一来，机器人识别物品，然后将其存放在另一个单独的盒子中。
一般来说，机器人遵循“先抓后放”的工作流程，与其他取放技术相比，这是一个有效的序列。
“这可以适用于仓库。分拣事故发生后，你也可以从你的厨房橱柜里收拾东西或清理碎片。这种取放系统可以应付许多情况。麻省理工学院职业发展教授阿尔伯托·罗德里格斯说。
罗德里格斯和他在麻省理工学院和普林斯顿大学的同事将于5月在IEEE发表一篇论文，详细介绍他的系统。
建立包含成功和失败案例的数据库，并整合到深度神经网络中。
现有的系统只能在严格控制的环境下工作，但“取放”技术摆脱了这种束缚，因此可能有很多用途。
今天，大多数人工业机械手是为特定的重复性任务而设计的，例如从装配在网上捕捉它，并始终使用相同的和仔细校准的方向。然而，罗德里格斯试图把机器人作为一种更灵活、适应性更强、更智能的采集器，它适用于零售仓库等非结构化设置场景。在这种情况下，操纵器可能总是会遇到并不得不排列成百上千个混乱的新物体。
团队的设计基于两个一般操作:1 .选择-成功抓取对象的行为。2、感知——对物体进行识别和分类的能力。
研究人员训练机器人机械手从凌乱的垃圾箱中选择新的物体，并使用以下四种主要抓取行为中的任何一种:垂直或横向吸附到物体上；像街机游戏中的爪子一样垂直抓住物体；或者垂直夹住与墙壁平行的物体，然后用铲子在物体和墙壁之间滑动。
罗德里格斯和他的团队展示了机器人收集的图像，这些真实物体的图像是混乱的，然后它们是机器人它显示了哪些对象可以被抓取，哪些是四种主要的抓取行为，并将每个抓取动作标记为成功或失败。最后，研究人员建立了一个成功和失败案例的数据库，并将这个数据库合并到一个“深度神经网络”中，使机器人根据它的成功和失败库，它可以将它当前的问题与过去的成功结果进行匹配。
“我们开发了一个系统，通过查看装满物品的行李箱，机器人知道如何预测哪些是可抓的或可吸的，以及这些抓的行为可能成功的配置。”罗德里格斯说一旦进入手爪，物体就更容易识别，不会产生任何混淆。"
从像素到标签:以100%的准确率识别新对象。
以类似的方式，研究人员开发了一种感知系统机器人能够在成功抓取物体后对其进行识别和分类。
他们首先开发在线资源(例如零售商业网站)，然后用正确的标志标记每个图像，然后开发另一种学习算法，将给定图像中的像素与给定对象的正确标签关联起来。
“我们正在教机器人比较东西，这可能对人类来说很容易识别，但实际上，作为像素，机器人它可能看起来非常不同。罗德里格斯说，“我们确保这种算法适合这些训练样本。我希望我们已经给了它足够多的训练样本，这样当我们给它一个新的对象时，它就会预测出正确的标签。”
去年7月，该团队将这个2吨重的机器人运往日本，一个月后他们加入了亚马逊。机器人挑战。最后，该团队开发的机器人在使用吸力吸取物体时成功率为54%，使用抓取时成功率为75%，并能以100%的准确率识别新物体。机器人所有20个对象也在指定的时间内存储。
罗德里格斯最近还获得了亚马逊研究奖，并将与亚马逊合作，进一步改进“取放”系统的技术，特别是其速度和响应能力。
"在非结构化环境中爬行是不可靠的，除非增加一定程度的反应能力."罗德里格斯说，当人类抓取时，我们会对物品进行小的调整。我认为弄清楚如何进行这样的调整是关键技术之一。
目前，该团队已经采取了一些措施来实现这一目标。他们是机器人将触觉传感器添加到手爪中，并通过新的训练系统运行该系统。
“机械手现在有一个触觉传感器，我们已经实现了一个系统。机器人我一整天都在从一个地方到另一个地方取东西。”罗德里格斯说。