大多数成年人可以毫不费力地在他们的环境中捡起物体，并以方便使用的方式拿着它们。例如，当拿烹饪用具时，人们通常会从不会抓着锅侧面把它拿起来。

但是机器人则需要接受训练，学习如何在完成不同任务时以最好的方式拿起和握住物体。这通常是一个棘手的过程，因为机器人可能还会遇到以前从未遇到过的物体。

波恩（Bonn）大学的自主智能系统(AIS)研究小组最近开发了一种新的学习管道，以提高机械臂操纵物体的能力，从而更好地支持其实际使用。他们在预印本服务器arXiv上发表的一篇论文中介绍了他们的方法，这可能有助于开发能够更有效地执行任务的机器人助手。

进行这项研究的研究人员之一Dmytro Pavlichenko说：“如果要使用一个物体，那么就需要以特定的方式抓住它，例如：把食指放在钻头的扳机上。”“这种特定的抓握并不容易实现，因此需要进行操纵。在本文中，我们用拟人化的手解决了灵巧的预抓取操纵。”

最近Pavlichenko和合著者Sven Behnke的论文是建立在AIS小组之前的研究工作之上的，特别是在2019年IEEE-RAS国际人形机器人大会上提出的一篇论文。在之前的研究中，团队开发了一种复杂的双臂机器人重新抓取物体的方法，其依赖于多个复杂的手动设计组件。

Pavlichenko解释说：“我们新论文是用神经网络取代如此复杂的管道。”“这样可以减少复杂性并消除硬编码的操作策略，从而增加方法的灵活性。”

研究人员在他们的新论文中介绍的简化的预抓取操作方法依赖于深度强化学习，这是一种高性能且广为人知的人工智能算法训练技术。利用这项技术，该团队训练了一个模型，使其在抓取物体之前能够灵活地操纵物体，确保机器人最终以有效的方式完全按照要求握住物体。

“我们的模型利用多组件的密集奖励函数进行学习，通过手指-物体交互来激励将物体靠近给定目标的功能性抓握。配合基于GPU的仿真平台Isaac Gym，学习可以快速完成。”

迄今为止，研究人员在被称为Isaac Gym的仿真环境中评估了他们的方法，并获得了非常具有前景的结果。在最初的测试中，他们的模型使得仿真机器人可以学会如何在手中移动不同形状的物体，最终找出最佳的操纵方式，而不需要人类示范。

值得注意的是，Pavlichenko和Behnke提出的学习方法可以轻松应用于各种机器人手臂和手部，并支持操纵各种形状的物体。未来，它可以在各种真实的机器人上进行测试和部署。

“我们证明，使用一台计算机进行数小时的训练时间，可以学习到类似人类的复杂动态行为。”Pavlichenko说道。“我们未来研究的计划包括将学习的模型运用到真实世界，在真实机器人上实现类似的性能。这通常是相当具有挑战性的，因此我们预计，这通常具有相当大的挑战性，因此我们预计，要缩小模拟与真实之间的差距，还需要在真实机器人上进行学习。”