一双新 机器人 谷歌和加州大学伯克利分校的研究提出了在货架上查找被遮挡的物体并解决“接触丰富”的操纵任务（例如在桌子上移动物体）的方法。 加州大学伯克利分校 研究 引入横向占用最大化减少占用支持区域（LAX-RAY），该系统可预测目标对象的位置，即使仅可见该对象的一部分也是如此。 对于谷歌合着的论文，它提出了一种可感知联系的在线COntext推理（COCOI），其目的是将物理事物的动力学特性嵌入到一个易于使用的框架中。

尽管研究人员已经探索了机器人在混乱中搜索对象的问题已有相当长的时间了，但货架，橱柜和壁橱之类的设置却很少被研究，尽管它们具有广泛的适用性。 （例如，一家药店的服务机器人可能需要从医疗柜中找到耗材。）接触丰富的操纵问题在现实世界中无处不在，并且人类已经开发出了操纵各种形状和特性的物体的能力。复杂的环境。 但是，由于理解高维感知和物理方面固有的挑战，机器人难以完成这些任务。

加州大学伯克利分校的研究人员在大学的AUTOLab部门工作，专注于在“横向访问环境”或架子中查找被遮挡的目标对象的挑战。 LAX-RAY系统包括三个横向访问机械搜索策略。 它们被称为“统一”，“减少分布区域（DAR）”和“通过'n'个步骤减少分布区域（DER-n）”，它们计算动作以揭示存储在架子上的被遮挡的目标对象。 为了测试这些策略的性能，合著者利用一个开放框架-一阶货架模拟器（FOSS）-生成800个难度各异的随机货架环境。 然后，他们使用Fetch机器人和嵌入式深度感应摄像头将LAX-RAY部署到物理架子上，从而测量策略是否可以准确地找出对象的位置，以使机器人将这些对象推入。

研究人员说，与统一政策相比，DAR和DER-n政策表现出强劲的绩效。 在模拟中，LAX-RAY达到了87.3％的准确度，当应用于实际机器人时，转化为大约80％的准确度。 在未来的工作中，研究人员计划研究更复杂的深度模型，并使用平行于相机的推力来创造横向推力的空间。 他们还希望使用气动吸盘设计拉动动作，以从拥挤的架子上抬起并移除堵塞物。

在Google的工作中，Alphabet's X，Stanford和UC Berkeley的研究人员做出了贡献，合著者设计了一种深度强化学习方法，该方法采用多模式数据并使用“深层代表结构”来捕获丰富的接触动力学。 COCOI会从机器人安装的触摸传感器上拍下录像和读数，以将动态信息编码为表示形式。 这使强化学习算法能够以“动力学意识”进行计划，从而提高其在困难环境中的鲁棒性。

研究人员通过让模拟机器人和现实机器人将物体推到目标位置，同时避免撞倒它们，从而对COCOI进行了基准测试。 这并不像听起来那样容易。 从第三个角度很难提取关键信息，并且不能直接从原始传感器信息中观察到任务动态特性。 而且，该策略必须对具有不同外观，形状，质量和摩擦特性的对象有效。

研究人员说，COCOI“在各种设置中”和动力学特性都优于基线。 最终，他们打算将方法扩展到推动非刚性物体，例如一块布。