（要闻）机器人有望跨越仿真—现实鸿沟

本篇文章1526字，读完约4分钟

一个中型狗大小的“任意”四足机器人。图片来源:自然网站

跑、爬、摔、爬是野生动物与生俱来的本能。我们出生后，掌握这些动作或者需要训练，需要一点时间，但是为了弥补，我们有非常精细的手部动作技巧，可以轻松操作各种工具。

众所周知，无论是优雅行走还是自然抓取，机器人的性能一直不尽如人意，步态运动的协调性和机器人的灵巧性一直是业界的难题。

但是现在，情况正在一点点改变。

根据英国《自然》杂志最近的一篇新闻和观点文章，经过几十年的发展，机器人终于在机器学习的帮助下，掌握了自然行走、跑步和抓东西的技能。这一突破被认为开启了具有“物理灵活性”的人工智能时代，同时也开启了“机器人自主时代”。

机器人比你想象的更难“生活”

机器人的“生命”从模拟开始。

机器人工程师将首先看看引导软件在虚拟世界中是否表现良好。如果满意的话，软件会放入机器人，应用到物理世界。

但在物理世界中，看似微小的障碍物都会让机器人陷入困境，必然会遇到“现实世界”带来的无数巨大问题——不可预知的表面摩擦、结构柔性、振动、机器人本身的传感器延时、执行器改造不佳等等。这些障碍几乎没有一个是可以用数学模型预先假设的。

在过去的几十年里，工程师们一直试图通过基于预测数学模型(经典控制论)的软件来指导机器人进行物理活动。然而，这种方法在引导机器人肢体执行行走、攀爬和抓取不同形状的物体等简单任务时被证明是无效的。

机器人即使在模拟环境中游刃有余，进入真实的物理世界，也会像无知的孩子一样磕磕绊绊。

机器学习可以弥合模拟和现实之间的差距

当人们习惯了机器人人口的蹒跚学步十年后，科学家们突然燃起了希望。

日前，苏黎世联邦理工学院机器人实验室团队在《科学机器人学》上发表了最新论文，给出了新的证据，证明采用数据驱动方法设计的机器人软件对于解决机器人学和人工智能研究长期面临的巨大难题——模拟与现实的差距，有着极大的希望。

团队演示的方法是将经典控制论与机器学习技术相结合。他们首先设计了一个四足机器人的传统数学模型，并将其命名为“anymal”。然后，从引导机器人肢体运动的致动器收集数据，然后输入几个人工智能神经网络系统，从而建立第二模型。

这种机器学习模型可以自动预测“肌肉”机器人的肢体运动。将训练好的神经网络插入第一个模型后，可以在计算机上模拟和运行混合模型。

研究小组发现，这种由数据驱动方法设计的软件极大地提高了机器人的运动技能——它速度更快，移动更准确。而且先在模拟器中优化运动策略，再转移到机器人上进行物理世界的测试。最后，机器人的性能和仿真性能一样好。

混合模式是变革的第一步

这一成果被认为是机器人学和人工智能的重要突破，标志着曾经无法逾越的模拟与现实的鸿沟正在被消除。

也预示着人工智能新一轮的大变革，混合模型就是这种变革的第一步。之后所有分析模型都会下岗。

通过机器人在真实环境中采集的数据来训练机器学习模型——这种方法也被称为“端到端训练”。它缓慢而坚定地闪耀在现实中，并已应用于铰接式机械手、多指机械手、无人飞行器，甚至无人飞行器。

也许在不久的将来，机器人工程师将不再需要“告诉”机器人如何行走和抓取，而是让机器人使用他们收集的数据来自学。

然而，现阶段存在一些挑战。最重要的是优化可扩展性，以确定“端到端训练”是否可以扩展到指导具有数十个执行器的复杂机器，如仿人机器人、制造工厂、智能城市等大型系统，然后利用数字技术帮助人类提高生活质量。

根据《自然》的观点文章，对于人类来说，对未来行动的思考越清晰，自我意识就越高。如今，机器人在学习上取得了进一步的进步，这不仅是一个具有现实意义的突破，释放了一些工程劳动，也标志着科学家们开始了“机器人自主时代”。(记者张)