机器人自动化技术的飞速发展有望彻底改变各行各业，并通过取代人类从事高风险、高体力劳动或重复性工作来改善人类的生活。虽然现有机器人在装配线等受控环境中表现出色，但自动化的最终前沿领域在于烹饪、照护老人和探索等任务中常见的动态环境。为实现这一目标，关键障碍之一是使机器人能够适应触摸。与人类的手不同，人类的手能够凭直觉调整抓握力以适应未知重量、摩擦力或刚度的物体，而大多数机器人系统缺乏这种至关重要的适应能力。

图片来源：庆应义塾大学全球研究所

为将人类的精细动作转移到机器上，研究人员开发各种运动再现系统（motion reproduction systems，简称MRS）。这些系统的核心在于精确记录人类动作，并通过远程操作在机器人上重现这些动作。然而，如果被操作物体的属性发生变化或与记录的动作不匹配，MRS 往往会遇到问题。这限制MRS的通用性，进而限制机器人的整体应用范围。

据外媒报道，为应对这一根本性挑战，由日本的庆应义塾大学（Keio University）主导的研究团队开发出一种基于高斯过程回归的自适应运动再现系统，旨在自适应地建模和再现复杂的人体运动。通过学习人体运动与物体属性之间的关系，该方法使机器人能够利用少量训练数据集精确复制人类的抓取行为，并以惊人的精度和效率操作陌生的物体。

这项研究由庆应义塾大学理工学研究科硕士研究生Akira Takakura先生主导，并由系统设计工程系副教授Takahiro Nozaki、博士研究生Kazuki Yane、庆应义塾大学名誉教授Shuichi Adachi以及东京理科大学（Tokyo University of Science）助理教授Tomoya Kitamura共同撰写。该研究的相关论文发表于《IEEE Transactions on Industrial Electronics》。

该团队的核心突破在于摒弃线性建模策略，转而采用高斯过程回归（Gaussian process regression，简称GPR）。这是一种回归技术，即使训练数据量较少，也能精确地映射复杂的非线性关系。通过记录人类抓取多个物体的动作，研究人员训练GPR模型，使其能够识别物体“环境刚度”与人类发出的必要位置和力指令之间的关系。反过来，这个过程有效地揭示人类潜在的运动意图，或者说“人类的刚度”，使机器人能够为从未遇到过的物体生成适当的运动。

"Developing the ability to manipulate commonplace objects in robots is essential for enabling them to interact with objects in daily life and respond appropriately to the forces they encounter," explains Dr. Nozaki.

Nozaki博士解释道：“让机器人具备操控常见物体的能力至关重要，这能使它们与日常生活中的物体互动，并对遇到的力做出适当的反应。”

为验证研究人员的方法，研究人员将其与传统的运动再现系统（MRS）、线性插值和典型的模仿学习模型进行对比测试。所提出的高斯过程回归（GPR）系统在复现精确的运动指令方面表现出显著的性能提升，无论是插值还是外推。对于刚度在训练集范围内的物体的插值，该系统将位置的平均均方根误差（root-mean-square error ，简称RMSE）降低至少40%，力的平均均方根误差降低至少34%。同时，对于比训练集中的物体更硬或更软的物体的外推，结果同样稳健，位置的均方根误差降低74%。最重要的是，所提出的基于高斯过程回归（GPR）的方法显著优于所有其他方法。

通过以最少的训练数据精确建模人机交互，这种新型的运动再现系统（MRS）将有助于为各种物体生成灵巧的运动指令。这种捕捉和重现复杂人类技能的能力最终将使机器人能够突破僵化的情境，提供更复杂的服务。

Takakura先生表示：“由于这项技术只需少量数据即可运行，并降低了机器学习的成本，因此它在包括生命维持机器人在内的众多行业中具有潜在的应用价值。生命维持机器人必须根据不同的目标调整其运动，而这项技术可以降低那些由于需要大量训练数据而无法采用机器学习的公司所面临的门槛。”