机器人有望跨越仿真—现实鸿沟

奔跑、攀爬、坠落和攀爬是野生动物的本能。在我们出生后，我们可以相对缓慢地掌握这些动作或者需要训练，但是作为补偿，我们有非常好的手部动作技能，并且可以容易地操作各种工具。

众所周知，无论是优雅行走还是自然抓取，机器人在这一领域的表现都不尽人意。机器人步态运动和灵活性的协调一直是工业中的难题。

但是现在，情况正在一点一点地改变。

根据英国报纸《自然》最近的一篇新闻和观点文章，几十年后，机器人终于在机器学习的帮助下，开始掌握走路、跑步和自然抓东西的技能。这一突破被认为是具有“物理灵活性”的人工智能时代的前奏，同时也是“机器人自主”时代的前奏。

机器人比你想象的“活得”更努力。

机器人的“生命”始于模拟。

机器人工程师将首先看到导航软件在虚拟世界中是否表现良好。如果它是令人满意的，软件将被放入机器人和应用到物理世界。

然而，在现实世界中，看似微小的障碍会让机器人陷入困境。他们将不可避免地遇到由“真实世界”带来的众多巨大问题——不可预测的表面摩擦、结构柔性、振动、机器人自身的传感器延迟、致动器的不良转换等。几乎所有这些障碍都不能通过数学模型预先假设。

在过去的几十年里，工程师们还试图通过基于预测数学模型(经典控制论)的软件来引导机器人移动肢体。然而，这种方法被证明在引导机器人肢体执行极其简单的任务时无效，例如行走、攀爬和抓取不同形状的物体。

即使机器人可以在模拟环境中*地处理它，进入真实的物理世界，它仍然会像一个无知的孩子一样蹒跚而行。

机器学习可以弥合模拟和现实之间的差距。

十年来，当人们已经习惯了数量惊人的机器时，科学家们突然燃起了希望。

几天前，苏黎世联邦理工学院机器人系统实验室团队在《科学机器人学》上发表了最新论文，提供了新的证据，证明使用数据驱动方法设计的机器人软件有很大希望解决机器人学和人工智能研究的巨大问题——模拟和现实之间的差距。

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”。接下来，从引导机器人四肢的致动器收集数据，并将数据输入多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机器人的肢体运动。一旦训练好的神经网络被插入到第一个模型中，混合模型就可以被模拟并在计算机上运行。

该团队发现，使用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——速度更快、精度更高。此外，首先在模拟器中对运动策略进行优化，然后将优化后的运动策略转移到机器人身上进行物理世界的测试。最后，机器人的表现和模拟一样好。

混合模式是变革的第一步

这一成就被认为是机器人和人工智能的一个重要突破，表明模拟和现实之间曾经不可逾越的鸿沟正在被消除。

这也预示着新一轮人工智能的重大变革，混合模型是这一变革的第一步。之后，所有的分析模型都将面临“裁员”

通过机器人在真实环境中收集的数据，训练机器学习模型——这种方法也称为“端到端训练”。它缓慢但坚定地反映了现实，并被应用于关节式机械手、多指机械手、无人驾驶飞行器甚至无人驾驶飞行器等领域。

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，而是让机器人使用自己收集的数据来自学。

然而，现阶段仍存在一些挑战。最重要的是优化可扩展性，以确定“端到端培训”是否可以扩展到具有数十个致动器的复杂机器，如仿人机器人、制造工厂、智能城市等大型系统，然后使用数字技术帮助人类有效提高生活质量。

《自然》的观点文章说，对人类来说，大脑对未来行动的思考越清晰，人的自我意识能力就越高。如今，机器人在学习的道路上走得更远了。这不仅是一个具有实际意义的突破，解放了一些工程劳动，也标志着科学家已经开始了“机器人自主时代”。(记者张)