机器人可以从演示中学习并向其他机器人传授它所知道的东西

建造一个机器人很难。教一个机器人更难。但教一个机器人为你做教学可能只是在可能的范围内。

如果您正在构建一个机器人来执行特定的任务，例如打开一扇门，那么只有几种方法可以教它。大多数机器人通过运动规划学习，程序员指定机器人电机的每个运动。一些机器人也可以通过观察和模仿执行相同任务的人来学习。

这两种方法都有其缺点。模仿是一种快速的方法，可以在执行一项特定任务时为机器人提供良好的服务，但却会降低机器人的适应性。如果改变了一个小细节 - 例如门把手的类型或位置 - 机器人必须从头开始重新学习整个练习。

运动规划存在相反的问题：可以将许多不同的条件和情况编程到机器人中，但这需要相当多的时间和精力。如果您想要最通用的开门机器人，您需要花费无数个小时来编程打开几十种类型的门。

麻省理工学院计算机科学与人工智能实验室(CSAIL)的一组研究人员开发出一种技术，将这两种教学方法结合起来，充分发挥其优势，同时避免其弱点。

他们的技术称为C-LEARN，它使机器人能够通过模仿来学习任务，并将这些信息转化为其他机器人可以使用的运动规划算法。基本上，一个机器人可以从人类学习任务，然后将该任务传授给其他机器人。

“通过将演示中的学习直观性与运动规划算法的精确性相结合，这种方法可以帮助机器人完成以前无法学习的新型任务，”研究员ClaudiaPérez-D'Arpino说。

首先，研究人员向机器人提供有关如何在许多不同位置和方向上到达和抓取许多不同物体的信息。这些信息形成了一种机器人在需要知道如何执行特定任务时可以去的“库”。

然后，研究人员演示他们希望机器人执行的任务，并且机器人从其“库”中选择包含执行该任务所需信息的条目。然后，机器人构建运动规划算法，其他机器人可以使用该算法来执行相同的任务。

通过这种方式，C-LEARN算法使运动规划变得更加容易。程序员可以全部依赖单个共享库，而不是为每个任务手动编程各种可能的运动。而且由于C-LEARN机器人制造的机芯不是硬编码的，因此这些机器人将更具适应性并能够对变化做出反应。

C-LEARN团队的下一步是改进算法以处理更多不同的情况，例如避免冲突和更复杂的多步骤规划。最终，C-LEARN可用于教授从工业建筑机器人到炸弹处理机器人的各种机器人。