要让家用机器人真正实用，它们就必须能够识别自己要操作的物体。然而，尽管物体识别是人工智能领域研究最广泛的课题之一，即便是最先进的物体检测器也仍常常无法正确识别。 广泛 研究的课题，即便是最先进的物体检测器也仍常常无法正确识别。
麻省理工学院计算机科学与人工智能实验室的研究人员认为，家用机器人应利用自身的移动能力以及相对静态的环境，在判断物体身份之前从多个角度拍摄物体，从而简化物体识别。不过，将不同图像中描绘的物体对应起来，本身也带来了计算方面的挑战。
在即将出版的《国际机器人研究杂志》的一篇论文中，麻省理工学院研究人员表明，使用现成算法汇总不同视角信息的系统，识别出的物体数量可达仅使用单一视角的系统的四倍，同时还能减少误识别。
随后，他们介绍了一种新算法，其准确度同样高，但在某些情况下速度可快10倍，因此更适合在家用机器人上进行实时部署。
“如果只根据从一个视角观察到的结果来判断，可能会遗漏很多东西；也可能是光照角度，或有什么东西挡住了物体，导致检测器出现系统性误差。”新论文的第一作者、电子工程与计算机科学研究生 Lawson Wong 说。“一种解决办法就是四处移动，换个视角。”
初步尝试
Wong 和他的论文导师——松下计算机科学与工程学教授 Leslie Kaelbling，以及工程学院卓越教学教授 Tomás Lozano-Pérez——研究了这样一些场景：桌上有20至30张家用物体的不同图像，这些物体聚集在一起。在若干场景中，物体堆中包含多个相同物体实例，而且彼此紧挨，这使得匹配不同视角的任务更加困难。
他们尝试的第一种算法原本用于雷达等跟踪系统，这类系统也必须判断不同时刻成像的物体是否确为同一物体。“这类算法已经存在几十年了，”Wong 说。“这自有充分理由，因为它确实效果很好。大多数人首先想到的就是它。”
对于每一对连续图像，该算法都会生成多种假设，判断一张图中的哪些物体与另一张图中的哪些物体相对应。问题在于，随着加入新的视角，假设的数量会不断累积。为使计算保持在可处理的范围内，该算法会在每一步舍弃除排名最高的假设之外的其他假设。即便如此，在生成最后一个假设后，逐一筛选所有假设仍然十分耗时。
代表性抽样
为了找到效率更高的算法，麻省理工学院研究人员采用了不同的方法。他们的算法不会舍弃连续图像中生成的任何假设，但也不会试图逐一检视所有假设，而是从中随机抽样。由于不同假设之间存在显著重叠，足够数量的样本通常能使算法就任意两张连续图像中物体之间的对应关系达成共识。
为减少所需样本数量，研究人员采用了一种简化的假设评估方法。假设算法从一个视角识别出三个物体，从另一个视角识别出四个物体。比较假设在数学上最精确的方法，是考察两组物体之间所有可能的匹配组合：例如，第一幅视图中的物体1、2、3分别与第二幅视图中的物体1、2、3匹配；第一幅视图中的物体1、2、3与第二幅视图中的物体1、2、4匹配；第一幅视图中的物体1、2、3与第二幅视图中的物体1、3、4匹配，等等。在这种情况下，如果把检测器出错以及某些物体在某些视图中被遮挡的可能性也考虑在内，这种方法会产生304种不同的匹配组合。
相反，研究人员的算法会分别考察第一组中的每个物体，并评估它与第二组中某个物体相对应的可能性。因此，第一组中的物体1可能对应第二组中的物体1、2、3或4，物体2也一样，依此类推。同样，计入出错和遮挡的可能性后，这种方法只需进行20次比较。
不过，这也可能产生不合逻辑的结果。算法可能得出结论：第二组中的物体3最可能与第一组中的物体3匹配；同时，它也可能认为第二组中的物体4最可能与第一组中的物体3匹配。因此，研究人员的算法还会查找这类一对多映射，并重新评估。这样会花费额外时间，但远少于考察整体映射所需的时间。在这个例子中，算法将进行32次比较——多于20次，但显著少于304次。
本文由 麻省理工学院新闻合作发布。发布本文并不意味着世界经济论坛认可其中观点。
关注论坛动态： 订阅我们的每周简报。
作者：Larry Hardesty 是麻省理工学院新闻的特约撰稿人。
图片：2014年7月3日，在德国波恩大学计算机科学研究所的一次拍照活动中，一名男子为一台人形机器人装上新眼睛。路透社/Ina Fassbender