AI 技術進步之下，機器人看似已有非常大的長進，但其實機器人展現出來的能力都是透過一遍一遍不斷練習的熟練度累積而成，當面對與練習不同的情況，即使只有些微差異，對機器人來說都是完全另一回事。
這種情況在機器手臂拾取放下物品時尤其常見。儘管有些可在物體間基本區別，但它們通常難以理解物體形狀、大小，更別提要將其移動到不同位置。
麻省理工教授 Russ Tedrake 指出，雖然目前機器人看似可拾起任何物體，但如果是未曾見過的物體，它們實際上無法找到任何可行的方式將其妥善放下。
「當你在 YouTube 觀看機器人影片時，你應該仔細觀察機器人沒有做什麼」。
要擴大機器人能做的範疇，首要條件便是讓機器人「理解」對象的特殊之處。為此，MIT 電腦科學與人工智慧實驗室（CSAIL）團隊開發出稱為「KPAM」（Keypoint Affordance Manipulation）的軟體，讓機器人學會拾取放下人眼中沒有太大不同、對機器來說卻是完全不同類型的東西。
過去機器手臂主要運用基於幾何學的演算法，估計物體的位置和方向來抓住東西，但 CSAIL 研究人員認為這種方式應用上給予手臂很大的限制，特別是面對形狀各異的物體並試圖靈巧放下時。
而在 KPAM，團隊讓系統把對象視為「3D 關鍵點」的集合，透過關鍵點讓機器人獲得如何處理對象所需的所有資訊。與過去方法不同，關鍵點讓機器人自然處理有些微差異的特定類型對象，CSAIL 只需要提供對象的一組關鍵點，KPAM 便會解釋為坐標並抓取。
以馬克杯為例，團隊只要提供杯子中心、底部和手把中心 3 個關鍵點，KPAM 系統便能拾取各式各樣的杯子，而透過提供 6 個關鍵點，科學家便能讓機械手臂拾取從拖鞋到靴子等 20 多種不同鞋子。
團隊相信 KPAM 能提供機器人更大的靈活性。Tedrake 認為，KPAM 只需稍微了解對象關鍵點的位置，便能完成各種有用的操作任務，這種特殊的表現形式正好和最先進的機器學習感知、計畫演算法完美結合。
透過進一步努力，團隊希望改進 KPAM 技術，以便執行更廣泛的任務，像是拆開洗碗機或清潔廚房櫃檯。考量到機器人的工作學習能力，可想見 KPAM 將協助機器人更快成為工廠和其他環境中大型操作系統的一部分。
（圖片來源：MITCSAIL）
