Google 的機器人計劃一直不怎麼順利。從 2013 年起，這家位於山景城的科技巨頭公司就耗資鉅款，從美國和日本收購了幾家機器人初創企業，合併成一個名爲「Replicant」的機器人項目，其中就包括了知名的波士頓動力公司 (Boston Dynamics)。

但好景不長，原本負責機器人項目的 Andy Rubin 於 2014 年離開 Google，加上波士頓動力的研發工作涉及軍事，和 Google 當初的民用構想不太符合。在 2017 年，Google 選擇將波士頓動力轉售給日本軟銀，整個機器人項目也暫時陷入了沉寂。

但 Google 並未止步於此。根據 《紐約時報》和 Google AI 官方博客的報道稱，Google 內部已經重新集結了原機器人項目中的工程師、研究人員，組建了一家名爲「Robotics at Google」的團隊，繼續投入到機器人領域的研發。

區別在於，和之前波士頓動力研究的「雙足步行」、「小狗」和「輪式」等仿生機器人不同，Robotics at Google 把重點放在了機器學習領域，相當於在做機器人系統和軟件方面的工作。

目前，Robotics at Google 已經與普林斯頓、哥倫比亞以及麻省理工幾所學院的研究人員合作，開發出一套名爲「TossingBot」的物體分揀方案。

具體來說，它可以讓機器人臂從一堆繁雜的物體中做出正確的分揀操作，再將物體投擲到相應的格子中。這對電商物流和零部件組裝等行業還是有一定實用價值的。

不要小看這個看似對人類很簡單的工作，整套動作涉及到物體識別、分揀、拾取、拋投等操作，等於是要機器人自己找到抓起每一件物品的最佳方式。

而研究人員也強調，單純就「拋投」這一步驟，機器臂就需要具備多種原理知識，纔可以避免拋投不出現失誤。

以一個螺絲刀爲例，你捏着杆柄做拋投，和你捏着楔形頭做拋投，都會衍生出不同的拋物線，最終拋投的距離自然也不一樣。

此外，拋投一個兵乓球所需要的力度，與拋投一根香蕉需要的力度顯然也並不相同，這其中不僅關係到對物體質量、摩擦力等因素的把控，也涉及到對拋投距離以及現場環境的理解。

而 Robotics at Google 團隊採取的做法，是將深度學習和物理學混合運用，使用端到端的神經網絡對機器臂進行訓練，實現在一個隨機環境下的分揀處理工作。

這意味着哪怕是機器臂碰上了一個完全陌生的物體，比如說把某個木頭塊換成一個水果，也可以給出不同的應對方案。

按照 Robotics at Google 的說法，最開始 TossingBot 對着一籮筐的物體還有些遲鈍，但經歷了約 14 個小時，總計 10000 次的抓取和投擲嘗試訓練後，它已經能達到 87% 以上的分揀成功率，以及 85% 以上的投擲成功率。

現在，它每小時可以對超過 500 個物體進行揀貨，其靈活性、響應速度都比目前最先進的分揀貨系統還要快 2 倍，也證明機器學習訓練確實能幫助機器人更快地掌握某項技能。

研究人員也表示，這套方案非常適合在物流倉庫和配送中心進行批量部署，像亞馬遜這類電商公司對於分揀機器人的需求往往會更高。

不過，將自動化機器人運用在倉儲中已不算新鮮事。去年 10 月，日本優衣庫就曾展示過一個機器人倉庫，就是由機器人取代人力來進行分揀工作，實現 24 小時連續運行；而亞馬遜、沃爾瑪和聯邦快遞等也已經嘗試將移動機器人運用在搬運工作上。

不過，目前大多數機器人只能解決特定場景下的作業，而不擅長應對不同形狀的物體，這也是現在 TossingBot 希望解決的問題。

理想狀態下，人們自然是希望機器人靠自學就能應對更多任務，而不是每次都要進行一輪預先編程。

題圖來源：Google