越来越多的研究人员探索使用机械臂或灵巧的手来解决各种日常任务。尽管它们中的许多已经成功地完成了诸如抓握或基本操纵之类的简单任务，但到目前为止，涉及多个步骤以及精确/战略运动的复杂任务被证明更加难以解决。
香港中文大学和腾讯AI实验室的一组研究人员最近开发了一种基于深度学习的方法，可以使用多指灵巧的手来解决魔方中国机械网okmao.com。他们的方法发表在arXiv上预先发表的一篇论文中，该方法使灵巧的手能够解决更高级的手动操作任务，例如著名的魔方魔方。
魔方是一个覆盖有多个彩色正方形的塑料立方体，可以移动到不同的位置。难题的目的是从战略上扭曲和旋转立方体的各个部分，直到其每个面上的所有正方形都具有相同的颜色。
“看到一些研究人员使用多指机器人手来完成诸如放置物体和操纵工具之类的任务，我们考虑了是否可以将机器人手用于更复杂的任务，例如解决魔方”，其中一位研究人员李廷光进行这项研究的人告诉TechXplore。
为了用灵巧的手解决魔方魔方难题，李和他的同事们开发了一种分层的深度强化学习模型，该模型将任务分为计划阶段和操纵阶段。在他们的研究中，研究人员将这种方法应用于称为“影子手”的五指灵巧手。
“使用机械手解决魔方的挑战有两个方面：第一，控制机器人手具有很高的自由度，这非常困难；其次，解决魔方需要很长的运动序列。” 。“我们的想法结合了具有很多成功应用和人类知识的深度强化学习算法。目标是展示机器人手的灵巧性，并以高成功率解决随机扰乱的魔方。
研究人员提出的分层模型具有两个关键组成部分：一个用于计划，另一个用于操纵。最初，计划组件（即，基于模型的多维数据集求解器）标识用于解决难题的最佳模式序列。然后，操纵控制器（即，无模型的立方体运算符）控制灵巧手的手指以执行这些步骤。
他说：“我们的方法分为两层：较高的层规划了解决由原子动作组成的魔方的轨迹，而较低的层则学会了实现每个原子动作。” “原子动作是通过深度强化学习模型学习的，而无需手动设计复杂的底层控制器。”
研究人员使用他们还构建的高保真模拟器对模型进行了培训和评估。他们通过一系列实验测试了模型的性能，其中向虚拟的灵巧手喂了1400个随机加扰的Rubik's Cubes，发现它的平均成功率为90.3％。
李说：“我们表明，多指机器人手在处理复杂任务方面具有巨大潜力。” “集成基于学习的算法可以帮助减少手动设计控制算法的繁重工作。我希望这将吸引更多的研究人员进入这一领域，并鼓励他们开发新的方法来进一步提高机器人手的灵活性。”
与以前提出的方法相反，李和他的同事开发的模型可以使用灵巧的手来完成更复杂的手部操作任务，特别是解决魔方。到目前为止，研究人员仅在仿真中评估了他们的方法，但是现在他们计划将其算法应用到真正的机器人手上。