机器人操作(在线教科书)

我一直都很喜欢机器人，但直到最近我才把注意力转向机器人操作。我特别喜欢制造能够掌握物理以实现人/动物般的灵巧和敏捷的机器人的挑战。正是被动的动态步行器和伴随它们的美丽分析，首先帮助我巩固了动力学在我的世界观和我对机器人的态度中的中心地位。从那时起，我迷上了(实验)流体力学，以及有铰接翅膀的鸟实际上操纵空气以达到难以置信的效率和敏捷性的想法。人形机器人和杂乱中快速飞行的空中飞行器迫使我开始更深入地思考感知在动力学和控制中的作用。现在我相信，知觉和动力之间的这种相互作用确实是基本的，而且我对观察到操控中相对简单的问题(我如何扣上我的礼服衬衫？)充满热情。把问题暴露得漂亮些。

我对机器人编程的方法一直都是非常计算性/计算性的。我一开始主要使用机器学习(特别是强化学习)的工具来开发简单步行机器的控制系统；但随着机器人和任务变得更加复杂，我转向了更复杂的工具，这些工具来自基于模型的规划和基于优化的控制。在我看来，没有其他学科像控制理论那样对动力学有如此深入的思考，最好的基于模型的控制算法可以获得的算法效率和有保证的性能/鲁棒性远远超过我们今天使用学习控制所能做的事情。不幸的是，与控制相关的研究在数学上的成熟也导致该领域在假设和问题表达上相对保守；对机器人操作的要求打破了这些假设。例如，鲁棒控制通常假设动力学是(几乎)平滑和不确定的，可以用简单的分布或简单的集合来表示；但在机器人操纵中，我们必须处理接触和不确定性的非平滑机制，因为不同的照明条件以及不同数量的对象具有未知的几何和动力学。在实践中，到目前为止(据我所知)还没有最先进的机器人操作系统使用严格的控制理论来设计甚至是决定机器人何时与其正在操作的对象进行接触和断开接触的低级反馈。这些笔记的一个明确目标是试图改变这一点。

在过去的几年里，深度学习对机器人的感知产生了毋庸置疑的影响，解决了在实验室或工厂环境之外执行操作时面临的一些最令人望而生畏的挑战。我们将讨论深度学习中用于对象识别、分割、姿势/关键点估计、形状完成等的相关工具。现在，相对较旧的学习控制方法也在享受令人难以置信的普及，部分原因是巨大的计算能力和日益可用的机器人硬件和模拟器。与为感知而学习不同，学习控制算法还远远不是一种技术，一些最令人印象深刻的结果仍然很难理解和复制。但最近在这方面的工作无疑突显了监管界采取的保守主义的陷阱。正在学习的研究人员正在大胆地为机器人操作制定比我们以前见过的更具侵略性和激动人心的问题--在许多情况下，我们意识到一些操作任务实际上相当容易，但在其他情况下，我们发现了从根本上仍然困难的问题。

最后，它认为，在从物流到家用机器人的各个领域，机器人操作在世界上产生真实而戏剧性的影响的时机已经成熟。在过去的几年里，我们见证了无人机/无人机从学术研究到消费产品的转变；自动驾驶汽车现在已经从学术研究转变为产业，至少在投入的资金方面是这样。感觉操控是从机器人研究过渡到实践的下一件大事。对于风险投资家来说，投资仍然有点冒险，但一旦我们掌握了技术，没有人会怀疑市场的规模。我们有多幸运，有可能在这一转变中发挥作用？

所以这就是音符开始的地方。我们正处在学习、控制和机器人技术之间令人难以置信的十字路口，有机会对工业和消费应用产生立竿见影的影响，甚至有可能开创系统理论和控制的全新时代。我只是想坚持住，享受这段旅程。

这些课堂讲稿的另一个明确目标是提供操纵科学家工具箱中最有用的工具的高质量实现。