AI 科技評論消息，IROS 2018 於當地時間 10 月 1-5 日在西班牙馬德里召開，會上，來自新加坡松下研究院申省梅團隊、新加坡南洋理工大學陳義明教授團隊的聯合團隊 Robotics.SG 獲得 IROS Mobile Manipulation Hackathon 挑戰賽冠軍。
該項競賽要求所有參賽者統一使用西班牙 PAL 公司的移動機械手臂機器人 Tiago（Tiago 為西班牙語，表示「拿著它走吧」），每支參賽隊伍需根據 Tiago 的功能定義自己的應用專題及機器人要完成的任務。任務越複雜就需要越高難度的技術，將技術集成在一起並順利完成任務的風險也會相應增加。
此次比賽中，申省梅、陳義明聯合團隊的應用場景如下：用 Tiago 機器人把客戶遺留在超市收銀台的產品放回貨架。
申省梅表示，根據每支參賽組提交的任務描述和 Tiago 在模擬器上實現的結果視頻評價，他們於 7 月成功晉級決賽。此後，他們開始對多種商品進行訓練樣本的收集和標註，重新訓練了一個商品檢測分類器。
決賽共有 6 支隊伍，每支隊伍有 30 分鐘的時間來展示移動操作機器人所要完成的任務。在決賽中，他們設計算法讓機器抓取商品，走到貨架區域並把 5 件產品依次放回不同貨架上。同時，現場用戶介面也向觀眾傳遞了機器人每完成的一個步驟的狀態與時間。
比賽結束之後，評委對比賽細節，尤其是技術核心以及創新等提出問題，以了解和確認每支比賽隊伍的技術水平、創新以及系統設計的魯棒性。
得分主要從以下三方面進行評估：
科學和技術質量：0-5 分
演示的魯棒性：0-5 分
潛在的應用和比賽結果的影響：0-5 分
最終，綜合了應用性、系統設計、短時間內集成和調試的能力、完成任務的多樣性和全面性、演示過程中展現出來的魯棒性等多個方面，他們團隊贏得專家團肯定，一舉奪冠。
據申省梅介紹，這次比賽中用到的關鍵技術如下：
第一，機器人從一點移動到另一點的路徑規劃，地圖建立和導航以及障礙物檢測和繞過等；
第二，機器人要能識別上千種商品並能按照商品所在貨架將其正確放回；
第三，針對不同商品，機器手需找到最佳抓取角度和方向，成功抓取商品。之後，再根據得到的位置信息，做出任務規劃，成功將商品放回貨架。
為了成功抓取商品，他們採用了較為通用和魯棒的設計方案，可以應用到各種抓取目標而不受限於抓取目標資料庫。整場比賽中，深度學習技術是尤為關鍵的一環。
獲勝過程並非一帆風順，申省梅也提到比賽中面臨的困境：
一是對 Tiago 的安裝測試只能從決賽前一周開始。「最開始操作 Tiago 時，我們對它的性能和操作非常陌生，完全看不到成功的影子。最終，團隊成員協調配合做到半夜，才終於在最後一天演示成功。」
此外，比賽環境與測試環境不同，測試 Tiago 機器人的時間也極其有限。這也是比賽的目標之一——如何使設計的機器人儘快適應新的環境。針對這一挑戰，他們堅持不在現場更改算法，只調參數；在設計中，他們也考慮到環境因素，比如演示場地的大小、燈光變化、機器人的性能，做出了相應的出錯自動恢復措施。
每次比賽都是一場收穫之旅。在申省梅看來，通過此次比賽，既看到了他們團隊的實力和長處，也看到了需要改進的地方。「我們可以以此作為 POC，針對不同場景（超市、物流、工廠等），不斷提高和完善，向商業化邁進。」
談及參賽原因，申省梅說道，此次比賽不僅注重每支隊伍的技術水平，也重視競賽所產生的應用價值和商用可能性，更重視多項技術的集成，包括算法設計、軟體開發、硬體配合以及完成任務的魯棒性。這與他們的研究高度契合，他們希望通過此次比賽，發現問題，尋求突破，儘快讓技術實用化。
這也是 IROS 上諸多專家學者的觀點：競賽是一個很好的平台，能及時發現問題並反饋給學術界和技術開發者，進一步尋求解決和突破，推動技術儘快落地。
「如何開發一個靈活性強的機器人，比如用增強學習算法來適應環境的改變；如何開發出不同環境下具有相同性能的機器人模塊，這些都是需要突破的地方。」
比賽官網：
http://iros18-mmh.pal-robotics.com/
附新加坡松下研究院團隊簡介：
這一團隊有著 27 年的核心技術開發歷史，在研究院副院長申省梅帶領下，他們在音視頻信號的分析壓縮、攝像技術、三維重建、SLAM、導航定位、機器學習、深度學習、增強學習等多個領域核心技術研發上都有著非常深厚的技術積累。
2017 年，該團隊在美國 NIST IJB-A 人臉識別和微軟百萬名人人臉識別挑戰賽中榮獲冠軍；2018 年，他們在智慧城市異常交通狀況檢測比賽中獲得第一。
南大機器人團隊簡介：
南大機器人團隊在工業機器人領域有許多研究，在機器視覺、操作與抓取、運動規劃、末端執行器設計等方面取得過多項成果。該團隊曾參加過亞馬遜 2015 與 2017 機器人比賽，以及 DHL2017 機器人比賽，獲得優異成績。
福利！想知道此次比賽更多細節嗎？諸如：
為了讓機器人在不同環境下都能準確識別物體，商品識別檢測模型主要基於哪些算法，並需如何改進？
為了讓機器手成功抓取商品，如何設計出較為通用和魯棒的設計方案？
當演示場地大小、燈光、機器人的性能等因素髮生變化，如何做出相應的出錯自動恢復措施？
在最終結果上，機器人每完成一個步驟的狀態與時間如何？與人的差距有多大？
11月，該團隊將在 AI 研習社公開課上，為大家帶來以上內容。
歡迎關注 AI 研習社公開課，獲取更多乾貨。(*^^*)
地址：http://www.mooc.ai/open
