几年来，我们一直在关注Dex-Net在抓取方面的进展，加州大学伯克利分校在《科学机器人》上发表了一篇论文，介绍了Dex-Net 4.0。关于这个最新版本的Dex-Net，最令人兴奋的一点是它能够以每小时300次的速度，成功抓握95％从未见过的物体，这要归功于额外的灵活性，使机器人可以在两种不同类型的夹具之间进行动态选择。

在某些情况下，人类选择这些物体的速度几乎是机器人的两倍，每小时400到600次。而且人类的成功率接近100%，这是可以合理预期的，如果你允许多次尝试选择相同的对象，成功率可能会达到100%。我们为机器设定了一个非常非常高的标准。

我们之所以如此擅长挑选和抓握物体，部分原因是我们有着丰富的经验，比如对物体的形状、大小和重量、不同材料的摩擦特性，以及当我们接触它们时，它们是如何变形的。我们甚至不需要有意识地去思考它们，就能在头脑中生成详细的模型，轻松地掌握和捡起未知的物体。

然而，机器人不能像我们一样，接触到同样的经验模型。相反，他们依赖于以任务为中心的学习。Dex-Net通过模拟训练来学习如何抓取物体，使用了数百万张3D物体的合成深度图像以及略微随机化的物理效果，以便更好地将模拟成功转化为现实。

这种人为引入的不确定性帮助系统管理传感器噪声，机器人随时间的推移校准的变化，你可能通过训练机器人得到更加真实的结果，但这意味着你受到时间和机器人数量的限制，谁愿意等待呢？

Dex-Net 4.0的独特之处在于它所开发的抓握策略是“双手的”，因为双臂机器人可以决定使用两个手臂中的一个。但与双手灵巧的人类不同，这种特殊的机器人在每只手臂上都有一个不同的抓手：一个可以夹紧抓握的双指抓手和一个吸力抓手。

根据抓取质量的估计，Dex-Net选择哪个抓手能更可靠地拾取目标物体。这种技术可以非常快速，非常可靠地抓取。Dex-Net也可以扩展到其他类型的夹具。通过额外的训练（以及可选的机器人手臂），你可以为静电夹持器，五指指针，壁虎脚趾夹具或其他任何你能想到的东西生成抓取选项。

当然，5％的无法成功掌握的情况总是很有趣，这里有一些例子：



第一张图片显示了“对抗性”的对象，由于对抗性的几何形状、透明性、推测性和变形性，这些对象尤其难以掌握。Dex-Net仅在63%的情况下成功地抓握这些对象，当系统记住以前的故障，并稍微移动几下，它的成功率会提高到80%。



第二张图显示了Dex-Net 4.0完全无法抓握的对象，由于透明度等影响深度感应的反射特性，以及材料特性，如孔隙率和变形性（松散的包装），影响物体表面形成真空密封的能力。我们应该注意的是，夹具以及夹具的训练没有包括力感或触觉感这样的东西，所以仍然有一些选项还没有探索。

同样值得考虑的是，是否存在一个点，在这个点上，低于100%的准确率是可以接受的。管理抓取失败有许多现实的方法：例如，可以让机器人从一个垃圾箱中尽可能地拾取所有东西，然后将剩余的东西给人类来处理。或者在某种程度上，对包装进行调整，机器人更容易一直难以看到或抓住的物品。

不管怎样，这是时间的问题，而不是一个假设问题，供应链越来越需求自动化，也许能够实现的时间也会大大缩短。