一雙新 機器人 谷歌和加州大學伯克利分校的研究提出了在貨架上查找被遮擋的物體並解決“接觸豐富”的操縱任務（例如在桌子上移動物體）的方法。 加州大學伯克利分校 研究 引入橫向佔用最大化減少佔用支持區域（LAX-RAY），該系統可預測目標對象的位置，即使僅可見該對象的一部分也是如此。 對於谷歌合著的論文，它提出了一種可感知聯繫的在線COntext推理（COCOI），其目的是將物理事物的動力學特性嵌入到一個易於使用的框架中。

儘管研究人員已經探索了機器人技術在混亂中搜索對象的問題已經有相當長的時間了，但是諸如架子，櫥櫃和壁櫥之類的設置卻很少被研究，儘管它們具有廣泛的適用性。 （例如，一家藥店的服務機器人可能需要從醫療櫃中找到耗材。）接觸豐富的操縱問題在現實世界中無處不在，並且人類已經開發出了操縱各種形狀和特性的物體的能力。複雜的環境。 但是由於理解高維感知和物理方面固有的挑戰，機器人難以完成這些任務。

加州大學伯克利分校的研究人員在大學的AUTOLab部門工作，專注於在“橫向訪問環境”或架子中查找被遮擋的目標對象的挑戰。 LAX-RAY系統包括三個橫向訪問機械搜索策略。 它們被稱為“統一”，“減少分佈區域（DAR）”和“通過'n'個步驟減少分佈區域（DER-n）”，它們計算動作以揭示存儲在架子上的被遮擋的目標對象。 為了測試這些策略的性能，合著者利用一個開放框架-一階貨架模擬器（FOSS）-生成800個難度各異的隨機貨架環境。 然後，他們使用Fetch機器人和嵌入式深度感應攝像頭將LAX-RAY部署到物理架子上，從而測量策略是否可以準確地找出對象的位置，以使機器人推動這些對象。

研究人員說，與統一政策相比，DAR和DER-n政策表現出強勁的績效。 在仿真中，LAX-RAY達到了87.3％的準確度，當應用於實際機器人時，轉化為大約80％的準確度。 在未來的工作中，研究人員計劃研究更複雜的深度模型，並使用平行於相機的推力來創建橫向推力的空間。 他們還希望使用氣動吸盤設計拉動動作，以從擁擠的架子上抬起並移除堵塞物。

在Google的工作中，Alphabet's X，Stanford和UC Berkeley的研究人員做出了貢獻，合著者設計了一種深度強化學習方法，該方法採用多模式數據並使用“深層代表結構”來捕獲豐富的接觸動力學。 COCOI會從機器人安裝的觸摸傳感器上拍下錄像和讀數，以將動態信息編碼為表示形式。 這使強化學習算法能夠以“動力學意識”進行計劃，從而提高其在困難環境中的魯棒性。

研究人員通過讓模擬機器人和現實機器人將物體推到目標位置，同時避免撞倒它們，從而對COCOI進行了基準測試。 這並不像聽起來那樣容易。 從第三個角度很難提取關鍵信息，並且不能直接從原始傳感器信息中觀察到任務動態特性。 而且，該策略必須對具有不同外觀，形狀，質量和摩擦特性的對像有效。

研究人員說，COCOI“在各種設置中”和動力學特性都優於基線。 最終，他們打算將方法擴展到推動非剛性物體，例如一塊布。