改跟着视频学做饭这款机器人宅男值得拥有

懒得做饭的上班族和暗黑料理的大宗师们，还在为做饭发愁吗？Maryland 大学正在研发的一款，在看完 YouTube 上的烹饪视频后，就能把饭菜做出来。

如果要我给「想要机器人替我做的那些事」划分一下层级的话，那么做晚饭的级别还应该在洗衣服、代驾汽车和代写所有文稿之上。就我们现有的机器人而言，可以做到的最好的程度，也只不过是依照预设的步骤把任务勉强完成而已。我们已经见识过了很多款会做饭的机器人，但总的来说，它们都只是遵循提前编程好的命令进行操作而已。告诉机器人要做什么以及怎么去做，是中最棘手的环节，特别是针对我们这些终端用户而言，要是我们只需要坐下来，让机器人自己看 YouTube 上的视频来学做饭的话，可就太好了。

一项旨在实现这一愿景的项目，已经由 Maryland 大学立项成功并着手研究了。而在本文中谈到的研究内容，都来源于一篇论文，名为《机器人复杂操作学习计划 以络视频为来源渠道》。这篇论文切实地论述了机器人的视觉工程进展：机器人首先观察视频中的人处理各项物品的方法，再思考得出那个人正在做什么、以及该怎么去做，最后通过机器人的复杂操作学习能力，将之前看到的动作复原出来。

Michigan 大学有一套名为 YouCook 的数据集，涵盖了 88 段在 YouTube 上完全公开的烹饪视频。每一段视频都添加有一段描述性的自然语言、每一帧都拍摄到了烹饪所需的各种物品、每个动作都配有注解。利用这些数据，Maryland 大学的研究人员就开发出了两种卷积神经络：一种是对视频里的物品进行辨识和分类，另一种则是对视频中厨师的动作进行辨识和分类。

当物品被辨识为相似的类别时，对动作的辨识就显得尤为重要了，因为机器人可能会设计具有不同的终端执行装置，用以进行不同目标的操作行为。此外，不同的动作也可我现在正经营自己的站以提示机器人下一步该做什么。下面的这段话摘自论文：

动作不仅涵盖了纯意义上其代表的信息，还可以被用来预测接下来的动作，或是作为辨识其他动作的特征之一。此外，动作还涵盖了这一小段动作的开始信息和终止信息，从而可以被用来切割视频。如果我们想让机器人实施一个动作，机器人就必须要习得「怎样处理物品」的知识，这样才能设计出自己最终的执行动作。比方说，想象一个机器人，它有一对平行方向的抓握手和一只具有真空吸附技术的抓握手。如果命令是力性抓握的话，那么机器人应该选择真空吸附的抓握手以确保能稳稳抓住物品；但如果命令是精确抓握的话，那么平行方向的抓握手应该是个更好的选择。

在这个设定下，动作就被分为六种类别：力性动作和精确动作，再按动作的对象细分为小型物品、大型物品和球面物品。物品则同时被划分为 48 个层级，从「苹果」到「打蛋器」不等。基于 YouCook 数据集的测试显示，机器人系统的对所有动作和物品的辨识精度达到了 80%，而 68% 的动作和物品成功地被整合成了能让机器人执行的命令。

在未来的工作中，研究人员打算开发出更细化的分类方式（优越于上述 6 当时Uber向《华尔街》透漏正与潜在投资者商谈种只按力性、精确性河物品大小进行的分类法），并且利用新的分类法更好地预测视频中的下一步操作。如此一来，我们以后就只需要在 YouTube 上找好视频，就可以坐享其成，让机器人为我们做饭了。