快速的碰撞探测器可以使机器人成为更好的人类助手

加利福尼亚大学圣地亚哥分校的电气工程师开发了一种更快的碰撞检测算法，该算法利用机器学习帮助机器人避免移动物体并实时编织复杂，快速变化的环境。该算法被称为"Fastron"，其运行速度比现有的碰撞检测算法快8倍。

由电子和计算机工程教授，加州大学圣地亚哥分校机器人研究所成员Michael Yip领导的工程师团队将于11月13日至15日在Google总部举行的第一届机器人学习年会上展示新算法在加利福尼亚州山景城，该会议将顶级机器学习科学家带到了一个仅限受邀者参加的活动中。在为期3天的会议期间，叶氏的团队将举行一场长时间的会谈。

该团队设想Fastron将广泛用于在人类环境中操作的机器人，在这些环境中，他们必须能够流动地移动物体和人。他们正在探索的一个应用是使用达芬奇手术系统的机器人辅助手术，其中机器人手臂将自动执行辅助任务(抽吸，冲洗或拉回组织)而不妨碍外科医生控制的手臂或病人的器官。

"这种算法可以帮助机器人助手以安全的方式配合手术，"叶说。

该团队还设想Fastron可用于在家工作的机器人用于辅助生活应用，以及用于游戏和电影行业的计算机图形，其中碰撞检查通常是大多数算法的瓶颈。

现有碰撞检测算法的一个问题是它们计算量很大。他们花费大量时间指定给定空间中的所有点 - 机器人和障碍物的特定3D几何形状 - 并对每个点执行碰撞检查以确定两个物体是否在任何给定时间相交。当障碍物移动时，计算变得更加苛刻。

为了减轻计算量，Yip和他在加州大学圣地亚哥分校的高级机器人和控制实验室(ARClab)的团队开发了一种简约的碰撞检测方法。结果是Fastron，一种使用机器学习策略的算法 - 传统上用于对对象进行分类 - 在动态环境中对碰撞与非碰撞进行分类。"我们实际上不需要知道所有具体的几何形状和点。我们需要知道的是机器人当前位置是否发生碰撞，"电气工程博士Nikhil Das说。Yip小组的学生和该研究的第一作者。

Fastron这个名字来自Fast和Perceptron，它是一种用于执行分类的机器学习技术。Fastron的一个重要特征是它可以非常快速地更新其分类边界以适应移动的场景，这对于机器学习社区来说一直是一个挑战。

Fastron的主动学习策略使用反馈回路。它首先创建一个机器人配置空间模型，或C空间，这是显示机器人可以达到的所有可能位置的空间。Fastron仅使用一组稀疏点来模拟C空间，这些点由少量所谓的碰撞点和无碰撞点组成。该算法然后定义碰撞点和无碰撞点之间的分类边界 - 该边界基本上是抽象障碍物在C空间中的位置的粗略轮廓。随着障碍物移动，分类边界发生变化。与其他算法一样，Fastron不会对C空间中的每个点执行碰撞检查，而是智能地选择边界附近的检查。一旦它对碰撞和非碰撞进行分类，

由于Fastron的模型更简单，研究人员将其碰撞检查设置得更加保守。由于只有几个点代表整个空间，Das解释说，并不总是确定两点之间的空间发生了什么，因此团队开发了算法来预测该空间中的碰撞。达斯说："我们倾向于制造一种规避风险的模型，并且基本上填补了工作空间的障碍。" 这确保机器人可以在诸如手术的敏感环境中或在家中用于辅助生活的机器人中更加保守。

到目前为止，该团队已经在计算机上模拟了机器人和模拟中的障碍物。展望未来，该团队正在努力进一步提高Fastron的速度和准确性。他们的目标是在机器人手术和家庭护理机器人环境中实施Fastron。