━━━━

一會是汽車，一會是大象鼻子，一會是蛇。

這不是什么妖魔鬼怪，而是康奈爾大學和賓夕法尼亞大學機器人團隊的最新研究成果。學名叫“模塊化自重構機器人”。

機器人經歷變形（八倍速）

“模塊化自重構機器人”是機器人家族中非常特別的一員。這類機器人可以像動物一樣，通過變形來適應不同環境，并完成各類任務。

在這項最新研究成果中，機器人能夠通過觀察環境和分析任務，對自身結構實現重新組裝。

該研究的作者之一，來自康奈爾大學的機器人專家Kress-Gazit 表示，當機器人可以改變自己以適應不斷變化的環境時，“機器人自主的問題變得更加復雜，也更加有趣” 。

━━━━

在Science Robotics的一篇新論文，Kress-Gazit及其同事實現機器人適應性的關鍵在于集中的感官處理，環境感知和決策軟件。

論文地址：http://robotics.sciencemag.org/content/3/23/eaat4983

作者聲稱，他們的新成果首次讓模塊化機器人通過重新配置應對不斷變化的環境，從而靈活解決問題。

為實現這一目標，他們對環境和機器人的行為都采取了嚴格的限制。

━━━━

該研究論文的另一位作者，賓夕法尼亞大學的Mark Yim在與Kress-Gazit舉行的新聞發布會上說，自重構機器人的歷史可以追溯到大約30年前的變形金剛時代。“機器人研究者們在理解環境方面已經取得了很大進展，”他說，“我們正在做的新實驗則是讓機器人理解它們究竟能做什么。”

換句話說：讓機器人了解自己。

他們用于實驗的機器人被稱為SMORES-EP，由任意數量的立方體模塊組成，這些模塊使用磁鐵以不同方式相互緊密結合在一起。

一般來說，MSRR的各模塊決策是各自分散的，每個模塊對任務的規劃和執行都有同樣的貢獻。它們還具有分散成群體或連接組成單個對象的能力。

但是在這項新研究中，研究人員將一個網絡攝像頭裝在小桅桿上再連接到機器人的一個模塊上，使機器人有了一個可以觀察自己的眼睛，以及一個用來命令所有附加模塊的中央處理器。

為了調試機器人，以進行后期測試，該團隊構建了一個軟件庫，其中包含可能的操作，例如駕駛或收集物體，以及機器人完這些操作需要采用的形狀。

接下來，該團隊為機器人設計了三個實驗室挑戰，包括在散布著障礙物的測試區域中識別彩色標記物體，并移動它們。

在其中一個測試中，機器人必須進入隧道。在另一個測試里，它必須在一個盒子的高處貼上一枚郵票。

為了簡化測試，團隊還在機器人的軟件庫中存儲了預先定義了測試環境分類。因此，機器人必須從有限的一系列可能性（隧道，樓梯等）中識別和分類它所遇到的物體和障礙物，而不是像在現實世界中那樣從無限集合中識別和分類。這樣的設置使得機器人在研究報告中的測試里取得成功的可能性變大。

在測試期間，機器人的規劃軟件從攝像機獲取有關測試環境的信息，并使用其軟件庫來決定在嘗試每項任務時使用哪種配置。該團隊指出，配備“眼睛”的機器人在多次試驗期間可以完成每項任務。雖然他們沒有直接將其與分散版本機器人進行比較，但他們記錄了系統故障點。

該團隊計算出在測試期間真實發生的大多數錯誤（略高于40％）是低級硬件問題，例如執行器故障。第二個最有問題的領域是感知，占所有失敗的四分之一，再其次是人為錯誤。

在該小組以前的工作中，機器人專注于通過移動物體和建造坡道來改變它們的環境。

━━━━

布萊克斯堡弗吉尼亞理工大學的機器人專家Pinhas Ben-Tzvi表示，機器人系統整合感知，高級規劃和模塊化硬件的能力是這項研究的主要部分：“基于高級任務規范，模塊化機器人自主探索未知環境，決定何時以及如何重新配置，并操縱對象來完成其任務。“

作者寫道，通過將更多傳感器信息從低級組件（例如可以在樓梯上檢測到高于預期的臺階的車輪）整合到規劃軟件中，他們可以使未來的機器人系統更加強大。

英國愛丁堡Heriot-Watt大學的Mauro Dragone表示，在實際應用中，機器人可能遇到的遇到的開放式環境將更加棘手，比如搜救環境。因而，機器人也需要進行更復雜的計算。

“我認為，該系統下一步應該被放到一個更有挑戰的實際環境中，而不是結構化和預先設計的環境中進行測試。”

“只有這樣，我們才能了解到該系統的真正價值。“

相關報道：

https://spectrum.ieee.org/automaton/robotics/robotics-hardware/transformerbots