深度学习机器人迈出的一大步

可以通过人工智能和自适应学习自行学习的机器人的前景吸引了科学家和电影迷。诸如《短路》，《终结者》，《千禧一代》，《嬉皮》和《前任机械男》等电影都在调侃机器智能的想法，超越了设定程序的限制。Pieter Abbeel的任务是创建能够做到这一点的架构。他是越来越多的探索深度机器学习的科学家队伍的一部分。

如今，可以对机器人进行编程，以反复可靠地执行简单的任务，例如在装配线上安装零件。但是，可以在没有特定说明的情况下对变化的条件做出适当响应的机器人仍然是个遥不可及的目标。

可以从经验中学习的机器人将比需要为每个新动作提供详细的内置指令的机器人多用途。它可以依靠人工智能研究人员所说的深度学习和强化学习。

深度学习使机器人能够感知其直接环境，包括其四肢的位置和运动。强化学习意味着通过反复试验来改进一项任务。具有这两种技能的机器人可以基于实时反馈来改善其性能。

在过去的15年中，伯克利机器人研究员Pieter Abbeel一直在寻找使机器人学习的方法。在2010年，他和他的学生对一个名为BRETT(消除繁琐任务的伯克利机器人)的机器人进行了编程，以拾取不同尺寸的毛巾，弄清楚它们的形状并将其整齐地折叠。

关键指令使机器人在用一个抓具抓握时能看到毛巾的li行形状，而在用两个抓具抓握时能看到其轮廓。看起来似乎不多，但机器人面临的挑战是艰巨的。经过多达一百次试验-每次都在不同的地方握住一条毛巾-BRETT知道毛巾的大小和形状，可以开始折叠。YouTube上关于BRETT技能的视频被观看了数十万次。

电气工程和计算机科学副教授Abbeel笑着说：“算法指示机器人在一组非常特定的条件下运行，尽管成功了，但折叠每条毛巾却花了20分钟。”

“我们退后一步，问'如何使机器人具备完善新技能的能力变得更容易，以便我们可以将学习过程应用于许多不同的技能?”

今年，Abbeel首次向该领域提供了新版本的BRETT，使其能够通过深度学习和强化学习来提高其性能。深度学习组件使用所谓的神经网络为控制机器人运动的软件提供瞬间到瞬间的视觉和感觉反馈。