本文摘要：动物们在田野上遨游、在树上灵活地爬上、在摔倒之前很快站稳脚跟。
动物们在田野上遨游、在树上灵活地爬上、在摔倒之前很快站稳脚跟。和我们的灵长类表亲一样，人类也可以运用拇指和细致的运动技能来已完成一些任务，比如毫不费力地剥开柑橘皮，或者在黑暗的走廊里找寻准确的钥匙。
虽然行驶和捕捉对许多生物来说是小菜一碟，但机器人在步态移动和灵巧性方面仍然不尽人意。如今，Hwangbo等人在Science Robotics杂志上撰文，报告证明了这样了一件有意思的事：某种机器人软件设计方法必须数据驱动，而这种方法正好需要解决机器人和人工智能研究领域中长期不存在的一个挑战，即仿真与现实之间的差距。几十年来，机器人专家在预测性数学模型（称作经典掌控理论）基础上创建软件，以此来引领机器人肢体的行动。
然而，这种方法在引领机器人肢体已完成行驶、爬上和捕捉这些看起来非常简单的问题上却违宪。机器人一般来说在仿真中开始它的生命。当它的引领软件在虚拟世界中展现出较好时，该软件就不会被摆放在机器人体内，然后随机器人一起转入现实世界。
在现实世界里，机器人难免会大大地遇上难以预测的状况，还包括表面摩擦、结构灵活性、振动、传感器延后以及具备时差的执行器，一般执行器将能量转化成为运动指令。意外的是，这些状况是不有可能事前由数学运算详细叙述的。因此，即使是在仿真中表现出色的机器人，遇上一些看起来微小的物理障碍后也不会磕磕绊绊，甚至跌倒。
Hwangbo等人将经典掌控理论与机器学习技术相结合，研究出有一种增大类似于差距的方法。录：【 图片来源：nature 所有者：ETH Zurich/Daniel Winkler 】首先，该团队设计了一个中型四脚机器人的传统数学模型，取名为ANYmal（如上图）。
接下来，他们从引领机器人肢体运动的执行器中搜集数据。然后，他们将搜集的数据输出被称作神经网络的机器学习系统中，创建第二个模型，而这个模型可以自动预测AMYmal机器人肢体的类似运动。最后，该团队将训练好的神经网络放入第一个模型中，并在标准台式计算机上运营混合模型。
混合模拟器比基于分析模型的模拟器速度更加慢，精准度更高。更加最重要的是，机器人的运动在混合模拟器中优化之后，移往入机器人体内，并连进现实世界，这时，机器人在现实世界的行动就像在模拟器里一样顺利。这个姗姗来迟的突破落幕了看起来不可逾越的仿真与现实鸿沟。Hwangbo等人用于的方法还似乎了机器人领域的另一个根本性改变。
混合模型的经常出现是这一根本性改变的第一步。下一步将是完全出局分析模型，取而代之的是机器学习模型，这种模型将由机器人在现实环境中所搜集的数据展开训练。目前，这种称作末端到末端培训的纯数据方法发展势头快速增长。媒体已报导了一些创意的应用于，还包括铰接式机器人手臂、多指机械手、无人机，甚至自动驾驶汽车。
机器人专家仍在钻研如何增强计算速度、非常丰富传感器数据以及提升机器学习算法质量。目前尚能不确切大学否应当暂停教授经典掌控理论。然而，笔者指出这是一个不祥之兆：未来的机器人的行驶仍然倚赖专家，忽略，他们可以利用自己身体里的数据展开自学。
当然，不少挑战依然不存在，其中最主要的是可扩展性的挑战。到目前为止，末端到末端培训机制仅有应用于只有少量执行器的物理机器人之上。执行器就越较少，叙述机器人运动所需的参数就越多，模型就就越非常简单。构建可扩展性的途径有可能还包括用于更加多层次和模块化的机器学习架构。
想告诉末端到末端掌控否可以不断扩大到引领享有数十个执行器的简单机器，还包括人形机器人，以及诸如生产工厂或智能城市（用于数字技术提高市民生活的城市地区）等大型系统，还必须做到更进一步研究。另一个挑战是较低技术性，低个性化。对一些研究人员来说，从用于比较非常简单的数学模型到应用于“潘多拉盒子”机器学习系统(其中的内部工作原理不得而知)的改变，标志着洞察力悄悄退场，失控感觉油然而生。
对我来说，看见机器人像孩子一样学会自己走路让我深感心满意足。Hwangbo等人明确提出的看法也可以从心灵之谜的角度来考虑到。
意识仍然是人类本性中最古老的谜题之一。人类对自我意识的定义十分模糊不清。
然而，人们对机器人软件的研究可以让我们了解理解关于人类思维的古老问题。我们可以推断，自我意识以及由此伸延出来的意识，其核心是我们抽象化思维自己的能力的一种展现出，即自我仿效。一个人能看得越近，他对未来未来发展的心理图景就就越详尽，自我意识能力就就越强劲。
现在，机器人需要自学自我仿真。这一突破不仅简单，可以减低一些工程的开销，而且，它标志着机器人自律时代的开始。
(公众号：)录：本文编译器自 nature录：【封面图片来源：网站名nature，所有者：ETH Zurich/Daniel Winkler】版权文章，予以许可禁令刊登。下文闻刊登须知。
本文关键词：ky开元
本文来源：ky开元-www.mitraamily.com
