大多数成年人天生就能够在自己周围的环境中拿起物体并以便于使用的方式握住它们。例如，当拿起一个烹饪用具时，他们通常会从不会放入烹饪锅或平底锅里的一侧拿起它。

而对于机器人来说，它们需要接受培训，学习如何在完成不同任务的同时最好地拿取和握住物体。这通常是一个棘手的过程，因为机器人可能也会遇到它从未遇到过的物体。

近期，波恩大学的自治智能系统（AIS）研究小组开发了一种新的学习流程，以提高机器人手臂在操作物体时更好地支持它们实际使用的能力。他们在预先印刷的论文服务器arXiv上发表的一篇论文中介绍了他们的方法，这可能会为能够更有效地处理手动任务的机器人助手的开发做出贡献。

对于文中进行的研究的其中一名研究人员Dmytro Pavlichenko告诉Tech Xplore说：“如果一个物体可以使用，比如一个钻孔机的扳机上的食指，那么这就是一个功能性的握取。” “这种特定的握持方式并不总是容易实现，这就需要进行操作。在这篇论文中，我们使用了一个类人手的灵巧预握持操作来解决这个问题。”

Pavlichenko和他的合著者Sven Behnke在最近的论文中基于AIS小组以前的研究工作进行了扩展，特别是在2019年多伦多举行的IEEE-RAS国际人形机器人会议上发表的一篇论文。在过去的研究中，该团队开发了一种复杂的方法，用于依赖多个复杂的手动设计组件进行双臂机器人的再握持。

Pavlichenko解释道：“我们新论文的动机是用神经网络来取代这样一个复杂的流程。这样可以减少复杂性，消除硬编码的操作策略，增加方法的灵活性。”

研究人员在新论文中介绍的简化预握持操作方法基于深度强化学习，这是一种训练人工智能算法的高性能和广为人知的技术。使用这种技术，研究团队训练了一个模型，在握取物体之前灵巧地操作物体，确保机器人最终以所要求的有效方式握住它们。

Pavlichenko说：“我们的模型学习利用了一个多组分密集奖励函数，通过指-物体交互来鼓励将物体更靠近给定的目标功能性握持。结合基于GPU的模拟工具Isaac Gym，学习可以迅速完成。”

到目前为止，研究人员在名为Isaac Gym的模拟环境中评估了他们的方法，并发现取得了非常有希望的结果。在最初的测试中，他们的模型允许模拟机器人学习如何在手中摆弄不同形状的物体，最终找到了最佳的操作方式，而无需人工示范。

值得注意的是，Pavlichenko和Behnke提出的学习方法可以轻松应用于各种机器人手臂和手型，并支持对具有不同形状的许多物体进行操作。在未来，它可以被部署并在各种实际物理机器人上进行测试。

Pavlichenko说：“我们证明，使用一台计算机进行几个小时的训练时间，可以学习到复杂的类人动态行为。我们未来研究的计划包括将学习模型应用于真实世界，以在真实机器人上实现类似的性能。这通常是相当具有挑战性的，所以我们预计在缩小仿真与真实之间的差异时，可能需要进行额外的在线学习步骤。”