嗨 HN，我们是 Salem Robotics 的创始人（https://salemroboticsinc.com）。我们赋予现有的移动机器人特定任务的智能，以便在危险的工业设施中进行调查和身体交互检查。以下是我们在真实机器人硬件上运行的视频，带有我们的一些话： https://youtu.be/U_228h3NE7c 我们通过德克萨斯大学奥斯汀分校的机器人研究和在核能领域的15年经验来到 Salem，其中大约10年是在洛斯阿拉莫斯国家实验室开发和部署自主机器人。在过去五年中，我们不断遇到同样的瓶颈：机器人的硬件已经变得非常强大，但使机器人执行完整的工业程序仍然需要令人惊讶的机器人工作和人工干预。最吸引我们的是操控。例如，核污染调查可能需要进行“涂抹”：在表面上擦拭一个定义区域，以便检查可移除的放射性污染。在石油、天然气或化工设施中，LDAR（泄漏检测和修复）检查可能需要在特定阀门、法兰或连接处移动探测器。其他检查则需要将仪器定位在相对于管道或设备的精确位置和方向。这些任务易于压缩为“擦拭”、“测量”或“检查”等动词，但要使机器人可靠地完成这些任务则要困难得多。探头可能需要在整个路径上保持与表面正常，保持在管道的狭窄偏移内，或者在保持特定末端效应器方向的情况下跟踪一个区域。规划器需要在尊重任务几何形状、操纵器运动学、关节限制、碰撞和周围环境的情况下找到可行的运动。我们在这些交互作用中深入到关节级控制。我们花了大量时间解决的一个问题是快速生成约束操作计划，以便能够基于机器人实际观察到的几何图形，而不需要人为逐个表面、阀门或法兰仔细撰写轨迹。物理世界让这个过程变得令人烦恼。导航走廊时几厘米的误差可能问题不大，但如果传感器需要保持与曲面法线对齐，则就非常重要。而成功执行一条轨迹并不一定意味着检查成功。探测器可能失去对准，接触可能错误，几何形状可能与模型不同，或者测量本身可能无效。我们关心的是在检查结果周围闭合这个循环，而不仅仅是手臂达到了命令的姿态。我们的方法是将人工智能与经典机器人技术相结合。目前，许多机器人研究和工业关注正转向越来越端到端的学习系统，特别是在类人机器人的领域。在安全关键的环境中工作使我们更加认识到，在需要明确约束、可预测行为和关于机器人能做什么和不能做的理论保证时，经典方法依然是多么相关。我们在语义理解和灵活性有用的地方使用人工智能，例如解释较不结构化的信息或理解在不熟悉的场景中与程序相关的内容。一旦系统知道需要执行的物理交互，我们更喜欢在可能的情况下使用明确的几何图形、规划、优化和控制。我们对这两者的结合感兴趣，而不是试图让每个机器人堆栈的部分都进行学习。Salem 的另一个理念是，我们认为并不是每个有用的机器人应用都应该需要构建一个新机器人。像波士顿动力这样的公司在构建越来越强大的硬件平台方面做得非常好。我们认为，在该硬件之上，有一个基于领域的应用层是有空间的。同一基础机器可能在一个设施中执行核辐射调查，而在另一个设施中执行 LDAR 检查，但程序、传感器、操作约束、成功条件和输出却不同。这也是我们为什么对硬件不具特定依赖的原因。我们不期望一个机器人永远是最佳平台，设施已经拥有不同的硬件。我们宁愿将检查描述为需要发生的事情，然后将其映射到适合工作的机器人的能力上。令我们惊讶的是，花费更多时间在设施之后，许多检查工作流程依然是手动的。在复杂的核能和工业现场，人们仍然需要实际走查看路线，一次测量一个，肉眼检查设备，手动记录结果，有时还需要根据组件的声音做出判断。即使今天可用的传感器、计算和机器人有了根本性的变化，一些基本的工作流程仍会让几十年前正在从事这项工作的人感到熟悉。我们从核辐射检查开始，因为它是