据外媒报道,英伟达研究院在利用深度学习训练各种任务模型方面取得了长足进展。最近,该公司让BERT实现了有史以来最快的训练时间并还对有史以来最大的基于转型的模型进行了训练。
![8ab0536ed554d68c46b811d8c0d3f591.png](https://i-blog.csdnimg.cn/blog_migrate/cde2466be5c82033e8f18e06a6733cef.jpeg)
然而正如预期的那样,基于深度学习的算法首先需要一个庞大的数据集,这在许多情况下是一种奢侈品。除了继续使用深度学习进行研究外,该公司还将精力集中到了另一个方向。据悉,英伟达在西雅图机器人实验室开发了一种新的算法--6-DoF GraspNet,其能让机器人抓取任意物体。
6-DoF GraspNet的工作如下:机械手观察物体并决定在6D空间(空间中的x、y、z坐标平面和旋转三维空间)中移动到哪里。该算法的设计方式是生成一组可能的握持器并根据需求进行移动。然后,整个握持器通过一个“握持评估器”运行,该评估器会为每个可能的握持分配一个分数。最后,握持评估器通过局部变换调整握持变量进而提高最佳握持的成功率。整个过程如下图所示:
![17e7d512a673cc8caa0b62528966ff2b.png](https://i-blog.csdnimg.cn/blog_migrate/08eace096d98e109d20dc903462f8380.jpeg)
有趣的是,研究人员并没有选择基于深度学习的方法,反倒是选择了“综合训练数据”。英伟达在这当中使用的Nvidia FleX评估法是一种基于粒子的模拟技术,它可以实时生成视觉效果。下面这张动图展示了握持的进化过程:
![af3dee927d21af147fbdcc1483777741.gif](https://i-blog.csdnimg.cn/blog_migrate/04e082451814cfce7c0df909ff9837b0.gif)
英伟达的研究人员表示,6-DoF GraspNet最大的优势之一在于它可以用来抓取任意物体;其次是它的模块化,这使得它可以用于各种计算机视觉应用和运动规划算法;第三,它可以跟一个模型一起使用,该模型可根据各种物体的“点云”来分配形状,而这将能确保机械臂不会跟任何障碍物相撞。
据悉,英伟达计划在10月/ 11月在韩国举行的2019年计算机视觉国际会议上展示这套6-DoF GraspNet。