深度學習機器人邁出的一大步

可以通過人工智能和自適應學習自行學習的機器人的前景吸引了科學家和電影迷。諸如《短路》，《終結者》，《千禧一代》，《嬉皮》和《前任機械男》等電影都在調侃機器智能的想法，超越了設定程序的限制。Pieter Abbeel的任務是創建能夠做到這一點的架構。他是越來越多的探索深度機器學習的科學家隊伍的一部分。

如今，可以對機器人進行編程，以反復可靠地執行簡單的任務，例如在裝配線上安裝零件。但是，可以在沒有特定說明的情況下對變化的條件做出適當響應的機器人仍然是個遙不可及的目標。

可以從經驗中學習的機器人將比需要為每個新動作提供詳細的內置指令的機器人多用途。它可以依靠人工智能研究人員所說的深度學習和強化學習。

深度學習使機器人能夠感知其直接環境，包括其四肢的位置和運動。強化學習意味著通過反復試驗來改進一項任務。具有這兩種技能的機器人可以基于實時反饋來改善其性能。

在過去的15年中，伯克利機器人研究員Pieter Abbeel一直在尋找使機器人學習的方法。在2010年，他和他的學生對一個名為BRETT(消除繁瑣任務的伯克利機器人)的機器人進行了編程，以拾取不同尺寸的毛巾，弄清楚它們的形狀并將其整齊地折疊。

關鍵指令使機器人在用一個抓具抓握時能看到毛巾的li行形狀，而在用兩個抓具抓握時能看到其輪廓。看起來似乎不多，但機器人面臨的挑戰是艱巨的。經過多達一百次試驗-每次都在不同的地方握住一條毛巾-BRETT知道毛巾的大小和形狀，可以開始折疊。YouTube上關于BRETT技能的視頻被觀看了數十萬次。

電氣工程和計算機科學副教授Abbeel笑著說：“算法指示機器人在一組非常特定的條件下運行，盡管成功了，但折疊每條毛巾卻花了20分鐘。”

“我們退后一步，問'如何使機器人具備完善新技能的能力變得更容易，以便我們可以將學習過程應用于許多不同的技能?”

今年，Abbeel首次向該領域提供了新版本的BRETT，使其能夠通過深度學習和強化學習來提高其性能。深度學習組件使用所謂的神經網絡為控制機器人運動的軟件提供瞬間到瞬間的視覺和感覺反饋。