近年来，机器人各个方面的能力都在快速追赶人类，甚至在某些领域已经超过人类。在这一过程中，科学家和工程师们最喜欢在机器人身上打造出类似人类的感官模式，以更好地感知世界。
不过现阶段的很多技术都只专注于再现人类的视觉和触觉，比如炙手可热的计算机视觉技术。相比之下，复制人类其他感官的研究却没有太多进展。
卡内基梅隆大学（CMU）的研究小组近日发表一项新成果——探索如何利用声音开发感知功能更先进的机器人。
他们将机器人命名为 Tilt-Bot，字面意思是 “倾斜机器人”，实际上它是一台通过倾斜托盘研究物体运动和声音之间关系的机器，训练后可以实现一定程度的 “听音识物”，准确率接近 80%。研究成果以论文的形式发表在《机器人学：科学与系统》Robotics: Science and Systems上。
图 | 倾斜机器人（来源：Gandhi, Gupta & Pinto.）
听觉与视觉、触觉一样，都是人类收集信息的重要渠道。那么听觉可以为机器人带来什么呢？在回答这个问题之前，我们可以想象一下没有声音的世界。
在这种情况下，我们将极度依赖视觉系统收集信息。看视频必须有字幕，与别人沟通必须用文字和手势，永远不知道背后是不是走过来一个人，除非转过头去看。
即使眼睛和手可以代劳，很多关键信息也无法准确传达，比如语气、声调以及这些变量背后的潜台词和深意。
机器人也面临着相似的苦恼：感知物理世界的渠道太过单一，依赖性过强，因此无法有效利用普遍存在的信息。如果能有效收集声音数据，再配合上视觉信息，它们对环境的感知力将大幅提升。
CMU 团队以此为核心思想，设计出了 Tilt-Bot 机器人。它本质上是一台托盘机器人，由拥有多个关节的机械臂、托盘和固定装置组成，托盘四周有边框，上面贴着用于记录物体撞击的声波捕捉装置。
托盘的正上方还固定了一个摄像头，用于捕捉物体运动轨迹，后期再与声音变化相匹配。
图 | 运动中的物体和声音数据（来源：Gandhi, Gupta & Pinto.）
实验时，研究人员会把不同的物体放到托盘中，机械臂随后开始向前后左右倾斜，托盘中的物体也随之移动。
如果倾斜过大，物体就会撞到边框并发出响声，撞击力度越大，捕捉到的声波波峰也就越高。
团队总共收集了 60 个不同物体的 1.5 万次交互记录，每组记录都包含匹配的视频和音频数据。他们用这些数据创建了全新的图像 + 音频数据集，用于训练机器人在动作、图像和声音之间建立有意义的联系。
一个有趣的发现是，受过训练的机器人只需要分析物体滑动和撞击的声音记录，就可以区分不同物体。
即使同是金属质地的螺丝刀和扳手也可以成功分辨，总体成功率接近 80%。这意味着训练机器人学习物体的音频表示形式是有意义的。
另一个更有价值的发现是，音频有时比视觉提供的有价值信息更多，或者说适用面更广。
由于声音是以声波的形式传播的，其传播轨迹更直观，可以更有效地预测物体未来的运动轨迹，从而帮助机器人更好地控制物体。
用从未见过的物体测试机器人性能时，如果同时使用视频和音频数据，那么它预测如何更好操控物体的表现相较于只使用视频时提升了 24%。
包含音频和视频的数据集可以帮助更多人开发机器人，尤其当它们被派去执行的任务需要两者兼顾时。研究团队表示现在的成果只是第一步，未来将探索声音数据分析还能挖掘出机器人的哪些潜力，进一步提高它们的感知能力，并且将其运用到更实际的任务中。
“这些初步研究成果是令人兴奋的，证明了机器仅凭声音就能识别出物体类型，” 研究人员莱雷尔·平托（Lerrel Pinto）表示，“这样一来，机器人执行任务的时候就可以更有针对性，比如学会区别对待空酒杯和满酒杯。”
