家用机器人视觉系统
新的算法可以使得家用机器人可以在混乱的环境中更好地识别物体。
众所周知，家用机器人要具备识别他们要操作的对象的能力。而目前这种技术已经可以实现了。时下，在人工智能领域中最热门的研究话题——物体识别技术。该技术对于现代最好的物体识别器来说也是无能为力的。 在MIT（麻省理工学院）计算科学和人工智能实验室的研究人员认为家用机器人可以利用他们的移动能力和他们相对静止的环境来帮助他们识别物体，与此同时在做出判断之前利用多角度呈现物体，可以协助他们识别物体。然而在描绘的对象中进行相关的匹配，这也是一项挑战。 在一篇即将发表在《国际机器人研究》杂志上的文章，MIT的研究人员发现，新算法的不同角度与现成的集成算法的单一角度相比，新算法的物体识别速度是原来算法的四倍，但是使用单一视角的集成算法也有其优点，就是可以减少鉴别失误。 以此为基础他们提出了一种新算法，这种算法在保证精度的条件下，识别的速度可以提高十倍，而且这对现有的机器人更加实用。
Lawson Wong，电子工程和计算科学的研究生同时也是该篇论文的第一作者认为，“如果仅仅从一个方面去看待这个事情，那么可能会丢失一些东西或者因为看待问题角度的原因可能会产生一些分歧，这就可能会让传感器产生系统误差。解决问题的有效方法之一是走出去问题的牢笼，从不同的角度去观察并且解决这个问题。” Wong和论文的指导老师——松下的计算科学与工程的教授，Leslie Kaelbling和卓越工程师学院的教授，Tomás Lozano-Pérez认为：假设一个场景，在桌上摆放20到30个不同特征的家用物品。在一些特殊情况下，有些物体会因为堆积角度的关系，它们会重叠在一起，这会给物体识别增加难度。 他们尝试的第一个算法是他们利用雷达来追踪系统，这必须确定物体成像在不同的时间内都是一样的，同时，物体不能有相对位置的变化。Wong说，“这个方法很有效，因为很多人第一时间就想到了这个效果不同凡响的方法。”
对于每个连续图像，该算法对于一个物体与别的物体映射关系有多重假设。问题是一旦角度增加，假设就要相应的增加。为了保证计算量不会过于庞大，执行算法的每步上都抛弃了假设。即便如此，在生成这些假设后，再整理这些假设也是一件费时的工程。 为了得到一个更有效的算法，MIT的研究员尝试了不同的方案。他们的算法在产生一系列图像后不会丢弃任何的假设，但是也不会去加工他们，而是随机的从中抽取样本。因为在不同的假设间有明显的重叠，而且充足的样本数目可以在任意两个连续的图像间得到某种对应关系。 为了保持需要的样本量足够少，研究员为了评价假设采用了一个较为简单的方法。假设算法已经从一个角度中确定了三个物体，那么剩下的一个物体就从别的角度来确定。最精确的方法是考虑在两组物体之间所有可能的配对方式后进行匹配：第一次将物体1,2,3识别出后，第二次再识别1,2,3或者识别出1,2,3后第二次识别1,2,4,或者识别出1,2,3,后识别1,3,4等等。这样如果考虑检测器的容错及一些物体被重复的可能性后，这会产生304组匹配方式。 然而，研究人员开发的算法考虑到第一组的物体可能会映射到第二组的一个对象。因此可能会发生第一组的物体1可能与第二组的1,2,3和4相匹配。同样物体2也会发生这种情况等等。再考虑到错误等情况，这种方法仅仅需要20组比较的情况。 但是，这就产生荒谬的结论，该算法推论得到：第二组的物体3最可能与第一组的物体3匹配，也可能得到：第二组的物体4与第一组的物体3相匹配。因此研究人员需要再次检查和评价他们的映射关系。这就会花费额外的时间，但是不会考虑所有的情况。在这样的情况下，算法可能会计算32次，这虽然比20次多，但是明显低于304次。
|
