大家好！我將從產業鏈最底層的角度出發進行分享。我們所從事的是“物理智能”的研究，這是在實際執行之前最令人印象深刻的一個階段。

機器人作為一種工具，能夠與物理世界進行互動。正如牛津大學教授 Michael Brady 所提出的比喻，他曾專注于機器人感知與智能領域的教學與研究，1989年，我曾跟隨他學習。而在此之前，我的另一位教授也在1988年就已提及類似的理念。如今，這一理念被稱為“互動與感知”，我也是在此基礎上展開相關研究與實踐的。

我來為大家展示一下我們的實踐經驗。這是一個歐洲的項目，主要研究柔性材料的處理，特別是布料的觸覺感知。在該項目中，機器人配備了專門設計的抓取裝置，專門用于處理柔性物質。這款機器人能夠完成折疊和展開等操作，例如對T恤進行兩次折疊。為了讓大家更清楚地看到操作過程，我們以兩倍慢速播放。該機器人并非按照固定的扭矩施加力量，而是通過自身的傳感器實時感知環境，并選擇合適的扭矩和力度進行操作，從而更好地適應柔軟材質。這也是當時我們所達到的技術水平。

接下來我要介紹的是一項由日本東京農工大學的一名學生與捷克技術大學合作完成的研究成果。該項目實現了機器人學習穿襪子的操作原理。在視頻中可以看到，機器人能夠一次性完成一只襪子的穿戴。后來，這位學生也成為了我們的博士研究生。通過機器人身上的傳感器，我們可以獲取合適的扭矩參數，從而進行精確的操作嘗試。今天我要分享的是一個更具挑戰性的任務——處理纏繞在一起的線纜，例如服務器中常見的線纜纏繞問題。要解開這些線并不容易，如果沒有良好的交互能力，幾乎無法完成。我們都曾有過這樣的經歷：面對一堆纏在一起的繩子或電線，想要解開它們，就必須先理清它們的位置，并觀察它們與其他線纜之間的關系。機器人也正是基于同樣的原理來進行操作的。在視頻演示中，當機器人開始移動線纜時，它能夠判斷線纜的走向，并找到合適的抓取點，這是完成任務的第一步。通過這一過程，機器人成功實現了對復雜線纜纏繞問題的處理，攻克了這一技術難題。

我們所采用的方法基于一系列給定的圖像，其原理是利用不同的視覺差異以及圖像中像素的運動信息。如果在訓練階段使用機器學習的方法，由于沒有現成的數據集可供下載，我們必須自行構建一個數據集，這是一項非常具有挑戰性的任務。接下來我為大家展示我們是如何實現的。這是該系統的外觀結構，在展示圖的左側，我們列出了兩種線纜的移動方式：一種是垂直方向的移動，另一種是沿著線纜自身方向的移動。為了能夠捕捉這兩種運動形式，我們需要構建一個特定的實驗環境，在該環境中可以實時獲取運動數據以及目標線纜的圖像信息。這些數據是通過攝像機捕捉得到的，并采用了光流分析和圖像分段技術來處理。我們在線纜上設置了熒光標記，并通過交替使用白光和紫外線照明的方式，使得每一幀圖像中熒光的移動與線纜本身的運動能夠一一對應。通過這種方式，我們首先實現了對線纜的抓取，然后將其運動軌跡劃分為若干個連續的片段。再通過分析各片段之間的運動相關性，最終實現了機器人對線纜的交互式分割操作。

關于抓取點的識別，我們能夠從背景中清晰地分離出目標線纜，這是因為實驗背景采用了藍幕設計，從而更有利于將目標線纜的熒光信號與背景環境區分開來。目前，許多研究者也在使用類似的方法，我們也已經為此準備了相關論文，并從去年開始著手撰寫。在數據收集階段，我們構建了一個名為“移動線纜數據集”的數據集，并對其進行了后處理，包括色度鍵控、標記檢測與跟蹤、光流計算等步驟，最終完成數據的合成。通過這些處理步驟，我們可以進行進一步的計算，并構建出人工模擬場景。在實際測試中，我們將真實的線纜放置在系統中，無論背景多么復雜，系統都能夠準確識別并處理。因此，其他研究人員如果希望采用這種方法，也可以在此基礎上進行優化或擴展。這正是我們研究成果的一部分。

右側的彩色圖盤展示的是移動線纜數據集的視頻示例。與現有其他方法相比，我們的方法和數據在表現上具有明顯優勢。這張圖片清晰地展示了我們方法的優勢。在這八張對比圖像中，最后一張是我們提出的方案結果。可以看到，在白色小框標記的區域，場景非常復雜；如果仔細觀察，就能發現我們的方法與以往研究成果有顯著不同。我們使用這些方法進行了實際場景下的視頻記錄，結果顯示在最下方一行，從右側數第二個圖像展示了我們方法的最佳效果。由此可見，即便在如此復雜的環境下，我們的系統依然能夠穩定運行并取得良好的效果。

我們即將發表的第二篇論文的目標，是探索如何利用這一技術來抓取現場視覺圖像。例如，我們將繩子作為演示對象，展示整個操作過程。這四張圖像展示了數據采集的過程，而下方的兩張照片則代表了動作的分段情況。我們使用特定的顏色對這些分段進行了可視化標注。當動作關聯性分析啟動后，我們可以非常清晰地捕捉到每一個動作階段。整個過程共分為五個步驟。

其中，第一步是由人工標注的，并非自動生成。基于這些初始標注，第二步到第五步均由系統自動建議完成。整體效果已經相當不錯，特別是考慮到實際電纜操作的復雜性遠高于當前實驗環境。這些實驗工作主要由學生完成，相關成果將在今年6月的博士論文答辯中進行展示。

最后，我想用一個類比來總結。就像標準的內燃機一樣，我們的動作分段技術目前仍處于實驗室階段，類似于操控電纜這樣的任務。下一步，我們將探索雙臂協同操作，以進一步完善和提升該方法。距離真正實現工業級的應用部署，我們還有一定的距離。但正如內燃機的發展歷程一樣，我們相信這項技術也將逐步走向成熟。

謝謝！