在过去几年里，我们都看过许多视频，展示了人形机器人现在有多敏捷，可以轻松地奔跑和跳跃。我们现在不仅不再对这种灵活性感到惊讶，甚至开始觉得这是标配技能。
问题是，这些看起来酷炫的演示很难用到现实生活中。当涉及到创造在人类周围有用和安全的机器人时，最基本的运动方式反而更加重要。
因此，研究人员正在使用同样的技术来训练人形机器人，以实现不那么激进的目标。
美国俄勒冈州立大学计算机科学教授艾伦·费恩（Alan Fern）和一组研究人员成功训练了一种名为 Digit V3 的人形机器人，使其能够站立、行走、拿起盒子并将其从一处移动到另一处。
与此同时，美国加州大学伯克利分校的另一组研究人员专注于教会 Digit 在陌生的环境中行走，带着不同的重物，并且不会摔倒。他们的论文发表在最新的 Science Robotics 上。
这两个小组都在使用一种名为模拟到真实强化学习（sim-to-real reinforcement learning）的人工智能技术，这是一种训练像 Digit 这样的两足机器人的新兴方法。
研究人员认为，这将创造出更强大、更可靠的两足机器人，能够更安全地与周围环境互动，并更快地学习。
模拟到真实的强化学习会训练人工智能模型在模拟环境中完成某些任务数十亿次，然后由该模型驱动的机器人会尝试在现实世界中完成这些任务。
由于机器人在模拟环境中反复完成了试错测试，因此在现实生活中，它原本需要数年才能学会的东西现在可能只需要几天。
神经网络使用一种奖励函数来引导机器人，每当机器人靠近目标位置或完成目标行为时都会获得“奖励”（较高得分）。
如果它做了一些不该做的事情，比如摔倒，它会收到负分作为“惩罚”，所以随着时间的推移，它就能学会避免这些动作。
（来源：ALAN FERN VIA TWITTER）在之前的项目中，俄勒冈大学的研究人员使用了相同的强化学习技术来教一个名为 Cassie 的两足机器人跑步。
这种方法取得了成功，Cassie 成为了第一个在户外跑完 5 公里的机器人，随后创造了两足机器人 100 米跑的最快世界纪录，并掌握了从一个地方轻松跳到另一个地方的能力。
加州大学伯克利分校的博士生伊利亚·拉多萨沃维奇（Ilija Radosavovic）说，“训练机器人的专业运动能力需要它们在非常狭小的环境中发展非常复杂的技能。
我们的情况正好相反，是在更大的环境中发展相当简单的技能。”
这一波关于类人机器人的新研究浪潮不太关心速度和能力，而是更多地关注如何提高机器人的鲁棒性和适应力，这两种能力可以让它们在现实世界中变得更有用。
人形双足机器人在工作环境中仍然较为罕见，因为它们在搬运重物时经常难以保持平衡。这就是为什么大多数在工厂和仓库中工作的机器人往往有四条腿或更大、更稳定的底座。
但研究人员希望使用人工智能技术，使人形机器人更加可靠，并最终改变这一现状。
费恩说，强化学习将为训练这些操作技能带来一种“新的、更灵活、更快的方式”。他和他的团队将于下个月在日本举行的机器人与自动化国际会议上发表他们的发现。
费恩说，最终目标是让人类能够向机器人展示任务视频，比如从架子上捡起一个盒子，然后把它放到另一个更高的架子上，随后让机器人在不需要任何进一步指导的情况下完成这项任务。
美国纽约大学计算机科学助理教授勒雷尔·平托（Lerrel Pinto）表示，让机器人观察、复制和快速学习这些行为真的很有用，但这仍是一个挑战。他没有参与这项研究。
他说：“如果能做到这一点，我会对它刮目相看，因为它是很棘手的问题。”
支持：Ren
运营/排版：何晨龙
