松下高清开发用于机器人控制的“扩散接触模型”AI技术，该技术应用生成式AI执行接触丰富的动作

日本大阪，2024 年 10 月 2 日——松下控股有限公司 (Panasonic HD) 开发了一种用于机器人控制的扩散模型，称为“扩散接触模型”，该模型提高了机器人控制学习对于接触丰富的任务的效率和准确性。

随着劳动力短缺成为全球许多地区严重的社会问题，工业机器人的使用正在许多领域取得进展。然而，在制造业和服务业等领域，许多任务都涉及与人和物体的接触，而机器人与人或物体接触时发生的运动和力量极其复杂，难以在模拟环境中建模。为了在这些情况下实现安全准确的操作，必须事先使用实际机器进行多次反复试验。为了解决这一问题，增加将机器人引入这些领域所需的成本和时间，松下高清开发了一种用于机器人控制的人工智能技术——扩散接触模型，该模型将图像生成中经常使用的“扩散模型”应用于机器人学习。

该技术已被接受在 2024 年 IEEE/RSJ 智能机器人和系统国际会议 (IROS) 上进行展示，该会议是人工智能和机器人技术的顶级会议。松下 HD 的扩散接触模型技术将在定于 2024 年 10 月 14 日至 18 日在阿联酋阿布扎比举行的会议上展示。

概述：

图 1：显示优化机器人控制参数的传统方法和建议方法的图表。

为了使机器人能够安全准确地进行动作，必须根据机器人所处的情况对控制机器人动作和力量的参数进行微调。调整方法主要分为模拟环境（基于模型）和使用实际机器的反复试验（基于机器），其中基于模型的方法具有能够比基于机器的方法更有效地进行大量反复试验模拟的优势。然而，涉及接触的任务很难模拟，因为机器人接触人或物体时发生的动作和力量（接触动力学）非常复杂，在训练机器人执行这些任务时需要进行多次反复试验，而且训练还必须涉及人工输入。

因此，Panasonic HD 专注于现在用于图像和声音生成的扩散模型的特点，因为它们可以表达复杂的非线性模型。

利用扩散模型的噪声消除过程与接触模拟的优化过程之间的相似性，松下高清开发了其扩散接触模型，该模型无需使用实际机器即可模拟复杂的接触动力学。扩散接触模型分阶段模拟机器人接触物体时施加的力，并可以高精度地预测机器人接触物体时施加的力，从而能够在模型基础上高效调整控制参数。

图1上半部分所示的以往方法，首先利用贝叶斯优化算法估计控制参数，然后在实际机器上进行评估，再次调整参数，反复进行反复试验，直到获得所需性能。另一方面，图下半部分所示的扩散接触模型，首先利用贝叶斯优化算法估计控制参数，与以往方法相同，但使用扩散接触模型代替实际机器进行评估。

首先，松下 HD 在模拟环境中进行了实验，发现与传统的深度神经网络 (DNN) 相比，扩散接触模型可以高精度地预测接触力。如果可以在没有实际机器的情况下模拟复杂的接触动力学，那么与传统方法相比，需要实际机器的情况数量可以减少。在使用实际机器进行擦拭任务的演示中，结果表明，使用扩散接触模型可以将擦拭任务的学习时间（主要通过手动教导机器人总共需要 80 分钟）缩短到约 25 分钟。

未来展望：

Panasonic HD 开发的扩散接触模型是一种可以大幅缩短使用现场机器训练机器人所需时间的技术。除了论文中提到的擦拭任务外，还有许多其他难以模拟且需要在实际机器上反复试验的机器人任务。Panasonic HD 认为，应用这项技术将增加高效自动化许多任务的可能性，这将有助于解决劳动力短缺等社会问题。

松下高清将继续致力于加速人工智能和机器人技术的社会应用，并推动有助于帮助客户日常生活和工作的人工智能技术的研发。