谷歌的香蕉投掷机器人非常精确

投掷物体的能力提供了各种优点。例如，抛物体是移动物体而不与整个身体接触的有效方法。你可以到达那些不容易到达的地方，比如把一组钥匙从公寓阳台扔到街上的朋友那里。投掷物体通常比携带物体更快的方式来移动物体。

谷歌(Google)的学生研究员安迪·曾(AndyZeng)说：“如果你能让机器人手臂做得很好，那它就会在它能做的事情上变得更加通用。”

这就是谷歌研究人员与哥伦比亚大学、麻省理工学院和普林斯顿大学合作开发的一个新的抛掷机器人的前提。

扔东西，结果很困难。人类有一生的实践，但是当扔在一个垃圾桶上的纸球穿过房间时，50%的人就会很幸运。在这个例子中，问题的一部分是不同的纸球之间的差异，这使得在投掷之后的物理学中难以拨号。如果我们要把这个问题夸大到一个充满随机物体的盒子里--一个保龄球，后面跟着一个乒乓球，比如--把它们扔在一个目标上，我们的成功率会更低。

机器人面临着类似的问题。从工程的观点来看，编程机器人手臂来准确地投掷单个物体不是特别困难的。例如，篮球播放机器人能够以近乎完美的精度拍摄。但是引入尺寸、质量和形状的差异需要编程机器人，该机器人能够开发独特的抓取策略并考虑物体将通过空中飞行的方式。

Tosingbot团队想要解决的问题是如何教导机器人从杂乱的箱子中拾取随机物体，并将它们放置在物理外在机器人的到达之外的盒子中。

曾说：“TossingBot使用深度学习算法将物体的视觉外观与如何把握和抛出物体联系起来。”“机器人不必为每一个可能的物体手工设计投掷策略，它可以通过反复试验获得这些技术。给它一个它以前从未见过的物体，它将通过反复试验来学习如何准确地投掷它们。”

使用间接相机来跟踪对象焊盘的位置，系统从经验中学习并获得更好的每个投掷。当从垃圾箱中取出物体时，机器人使用深度神经网络并行地开发抓取策略和投掷策略。

结果是能够以高的精度快速地拾取和投掷物体的机械臂。该团队每小时达到500个目标的平均挑取率。

例如，应用可以包括物流中心和仓库中的拾取和放置任务。投掷物体而不是将它们物理地放置在机器人的最大射程内可以具有各种优点，包括增加线路的吞吐量和减少将物品分配到各种垃圾箱所需的机器人臂的数量。