AI 科技评论消息，IROS 2018 于当地时间 10 月 1-5 日在西班牙马德里召开，会上，来自新加坡松下研究院申省梅团队、新加坡南洋理工大学陈义明教授团队的联合团队 Robotics.SG 获得 IROS Mobile Manipulation Hackathon 挑战赛冠军。
该项竞赛要求所有参赛者统一使用西班牙 PAL 公司的移动机械手臂机器人 Tiago（Tiago 为西班牙语，表示“拿着它走吧”），每支参赛队伍需根据 Tiago 的功能定义自己的应用专题及机器人要完成的任务。任务越复杂就需要越高难度的技术，将技术集成在一起并顺利完成任务的风险也会相应增加。
此次比赛中，申省梅、陈义明联合团队的应用场景如下：用 Tiago 机器人把客户遗留在超市收银台的产品放回货架。
申省梅表示，根据每支参赛组提交的任务描述和 Tiago 在模拟器上实现的结果视频评价，他们于 7 月成功晋级决赛。此后，他们开始对多种商品进行训练样本的收集和标注，重新训练了一个商品检测分类器。
决赛共有 6 支队伍，每支队伍有 30 分钟的时间来展示移动操作机器人所要完成的任务。在决赛中，他们设计算法让机器抓取商品，走到货架区域并把 5 件产品依次放回不同货架上。同时，现场用户界面也向观众传递了机器人每完成的一个步骤的状态与时间。
比赛结束之后，评委对比赛细节，尤其是技术核心以及创新等提出问题，以了解和确认每支比赛队伍的技术水平、创新以及系统设计的鲁棒性。
得分主要从以下三方面进行评估：
科学和技术质量：0-5 分
演示的鲁棒性：0-5 分
潜在的应用和比赛结果的影响：0-5 分
最终，综合了应用性、系统设计、短时间内集成和调试的能力、完成任务的多样性和全面性、演示过程中展现出来的鲁棒性等多个方面，他们团队赢得专家团肯定，一举夺冠。
据申省梅介绍，这次比赛中用到的关键技术如下：
第一，机器人从一点移动到另一点的路径规划，地图建立和导航以及障碍物检测和绕过等；
第二，机器人要能识别上千种商品并能按照商品所在货架将其正确放回；
第三，针对不同商品，机器手需找到最佳抓取角度和方向，成功抓取商品。之后，再根据得到的位置信息，做出任务规划，成功将商品放回货架。
为了成功抓取商品，他们采用了较为通用和鲁棒的设计方案，可以应用到各种抓取目标而不受限于抓取目标数据库。整场比赛中，深度学习技术是尤为关键的一环。
获胜过程并非一帆风顺，申省梅也提到比赛中面临的困境：
一是对 Tiago 的安装测试只能从决赛前一周开始。“最开始操作 Tiago 时，我们对它的性能和操作非常陌生，完全看不到成功的影子。最终，团队成员协调配合做到半夜，才终于在最后一天演示成功。”
此外，比赛环境与测试环境不同，测试 Tiago 机器人的时间也极其有限。这也是比赛的目标之一——如何使设计的机器人尽快适应新的环境。针对这一挑战，他们坚持不在现场更改算法，只调参数；在设计中，他们也考虑到环境因素，比如演示场地的大小、灯光变化、机器人的性能，做出了相应的出错自动恢复措施。
每次比赛都是一场收获之旅。在申省梅看来，通过此次比赛，既看到了他们团队的实力和长处，也看到了需要改进的地方。“我们可以以此作为 POC，针对不同场景（超市、物流、工厂等），不断提高和完善，向商业化迈进。”
谈及参赛原因，申省梅说道，此次比赛不仅注重每支队伍的技术水平，也重视竞赛所产生的应用价值和商用可能性，更重视多项技术的集成，包括算法设计、软件开发、硬件配合以及完成任务的鲁棒性。这与他们的研究高度契合，他们希望通过此次比赛，发现问题，寻求突破，尽快让技术实用化。
这也是 IROS 上诸多专家学者的观点：竞赛是一个很好的平台，能及时发现问题并反馈给学术界和技术开发者，进一步寻求解决和突破，推动技术尽快落地。
“如何开发一个灵活性强的机器人，比如用增强学习算法来适应环境的改变；如何开发出不同环境下具有相同性能的机器人模块，这些都是需要突破的地方。”
比赛官网：
http://iros18-mmh.pal-robotics.com/
附新加坡松下研究院团队简介：
这一团队有着 27 年的核心技术开发历史，在研究院副院长申省梅带领下，他们在音视频信号的分析压缩、摄像技术、三维重建、SLAM、导航定位、机器学习、深度学习、增强学习等多个领域核心技术研发上都有着非常深厚的技术积累。
2017 年，该团队在美国 NIST IJB-A 人脸识别和微软百万名人人脸识别挑战赛中荣获冠军；2018 年，他们在智慧城市异常交通状况检测比赛中获得第一。
南大机器人团队简介：
南大机器人团队在工业机器人领域有许多研究，在机器视觉、操作与抓取、运动规划、末端执行器设计等方面取得过多项成果。该团队曾参加过亚马逊 2015 与 2017 机器人比赛，以及 DHL2017 机器人比赛，获得优异成绩。
福利！想知道此次比赛更多细节吗？诸如：
为了让机器人在不同环境下都能准确识别物体，商品识别检测模型主要基于哪些算法，并需如何改进？
为了让机器手成功抓取商品，如何设计出较为通用和鲁棒的设计方案？
当演示场地大小、灯光、机器人的性能等因素发生变化，如何做出相应的出错自动恢复措施？
在最终结果上，机器人每完成一个步骤的状态与时间如何？与人的差距有多大？
11月，该团队将在 AI 研习社公开课上，为大家带来以上内容。
欢迎关注 AI 研习社公开课，获取更多干货。(*^^*)
地址：http://www.mooc.ai/open
