一輛小型無人機在一個空曠的地方進行試飛，里面裝滿了隨意放置的紙板筒，它們充當樹木，人或建筑物的替身?？刂茻o人機的算法已在一千個模擬的載滿障礙的路線上進行了訓練，但從未見過這樣的路線，這架飛機避開了其路徑上的所有障礙。

該實驗為現(xiàn)代機器人技術(shù)中的關(guān)鍵挑戰(zhàn)提供了試驗平臺：保證在新型環(huán)境中運行的自動化機器人的安全性和成功的能力。隨著工程師越來越多地使用機器學習方法來開發(fā)適應(yīng)性強的機器人，普林斯頓大學研究人員的新工作在各種障礙和約束條件下為機器人提供此類保證方面取得了進展。

“在過去的十年左右的時間里，在機器人技術(shù)方面，機器學習獲得了巨大的興奮和進步，主要是因為它允許您處理豐富的感官輸入，例如來自機器人相機的感覺輸入，并映射這些復雜的輸入普林斯頓大學機械與航空航天工程學助理教授阿尼魯達瑪（Anirudha Majumdar）說，要采取行動。

但是，基于機器學習的機器人控制算法存在過擬合其訓練數(shù)據(jù)的風險，這可能會使算法在遇到與訓練時輸入不同的輸入時效率降低。Majumdar的智能機器人運動實驗室通過擴展用于訓練機器人控制策略的可用工具套件，并量化了在新穎環(huán)境中執(zhí)行機器人的可能成功和安全性，來應(yīng)對這一挑戰(zhàn)。

在三篇新論文中，研究人員將其他領(lǐng)域的機器學習框架應(yīng)用于機器人運動和操縱領(lǐng)域。他們轉(zhuǎn)向一般化理論，該理論通常用于將單個輸入映射到單個輸出的上下文中，例如自動圖像標記。新方法是最早將泛化理論應(yīng)用于更復雜的任務(wù)的方法之一，以確保在陌生環(huán)境下機器人的性能。Majumdar說，雖然其他方法在更嚴格的假設(shè)下提供了此類保證，但該團隊的方法為新穎環(huán)境中的性能提供了更廣泛適用的保證。

責任編輯：lq