Facebook AI最近非常热衷于机器人技术。它刚刚开放了与卡耐基梅隆大学合作创建的机器人框架PyRobot，并且可以运行由Facebook的机器学习框架PyTorch训练的深度学习模型。 Facebook希望PyRobot可以通过共享代码，数据集和模型的通用API加快机器人开发速度并开发机器人研究生态系统。 Facebook的AI团队最近对机器人技术着迷。在过去的一年中，Facebook致力于机器人的开发，从六足机器人到副本现实训练数据集，再到人居模拟引擎，最近还推出了PyRobot。从名称中可以看出，这是一个基于PyTorch的机器人框架。 PyTorch加速了AI子领域研究的进展，并提供了一定程度的抽象，从而使构建最先进的系统，使用共享库和工具以及优化性能变得更加容易。现在，Facebook团队还将其应用于机器人领域，并与卡内基·梅隆大学的研究人员合作，推出了PyRobot框架，该框架可以运行由PyTorch训练的深度学习模型。 Facebook还希望将其构建到生态系统中。 PyRobot可以降低人工智能研究人员的进入门槛，使其易于在短时间内（几个小时）内设置和运行机器人，而不会浪费时间考虑设备硬件，驱动程序，控制系统等。PyRobot当前支持Sawyer机器人和LoCoBot，这是卡耐基梅隆机器人自主课程中使用的机器人。即将启动对Universal Robots和Franka以及其他机器（例如UR5）的支持，并且与诸如MuJoCo和Habitat之类的模拟器的集成也正在进行中。调试机器人的本地软件通常花费几天甚至一周的时间来设置机器人，只是让它挥舞手臂的简单动作即可。机器人学界流传着一个笑话：如果您的博士学位论文是关于机器人的，那么如果再添加一个机器人，则论文将在一年后完成。这说明了如何浪费时间调试机器人。 PyRobot通过在多个机器人和模拟器之间使用通用API解决了上述问题。以下代码显示了使用PyRobot的便捷性：PyRobot具有适用于所有机器人的通用功能，例如关节位置控制，关节速度控制，关节扭矩控制，笛卡尔路径规划，正向运动学和反向运动学（基于机器人） URDF文件），路径规划和可视化SLAM等。尽管它抽象了底层软件堆栈的复杂性，但用户仍然可以灵活地使用不同级别的组件，例如绕过计划器以执行低级速度和转矩命令。 PyRobot可用于实现各种高级AI应用程序，点目标导航，推入和抓取操作任务以及使用机器人进行数据收集的远程操作。 PyRobot提供了一种在机器人技术中使用AI和机器学习算法的简便方法。它可以使用与物理机器人的接口来收集任务数据，例如抓取任务；它可以训练深度学习模型，然后在机器人上执行算法。在一些正在进行的项目中，PyRobot确实简化了用于末端执行器控制和点目标导航的sim2real策略转换测试。为什么机器人研究做得不多？有两个原因。首先是硬件成本太高，其次是专业软件太复杂。 PyRobot如何解决这两个问题？它使用通用的API来降低软件的复杂性，并与相对便宜的机器人（例如LoCoBot）结合使用。在降低准入门槛之后，人工智能研究人员可以部署多个机器人来收集数据并并行学习。通过在不同硬件上提供通用框架，PyRobot将领导机器人基准测试的开发（类似于AI的其他领域）并量化进度。 Facebook计划与机器人研究社区合作建立这些基准。 PyRobot还可以帮助扩展人工智能教育计划，从而更轻松地为具有不同背景的学生提供实践经验。 Facebook计划在不久的将来通过与仿真器（如AI Habitat，Gibson和MuJoCo）的界面为PyRobot添加功能；并与社区合作以提供对更多硬件（如Universal Robots）的支持。除了开源的PyRobot，Facebook AI还计划共享最先进的机器人算法的其他开源实现，并发布机器人数据集。机器人技术对于整体推进人工智能非常重要，因为它使研究人员能够探索诸如教学机器之类的挑战，以学习预测模型并发展“常识”。现实世界中的知识。解决这些问题将使AI更加强大