录：图为 Rainbow Dash 在镂空门垫上运动在机器人领域，让机器人维持双脚并展开稳定的运动仍然是一个棘手的挑战，因为这必须超高的专业知识和设计水平。尽管一些传统的机器人能在人工控制的情况下已完成双脚和运动，但它们的活动范围也充满著了各种局限性。为了解决问题这个问题，Google 近日和佐治亚理工学院以及加州大学伯克利分校的研究人员牵头公开发表了一篇论文，详尽讲解了他们如何顺利地建构了一个通过 AI 以自学走路的机器人。

他们给这只四足小机器人起了个甜美的代号“Rainbow Dash”。根据世界纪录，婴儿从乌龟到学会行驶的最慢速度是 6 个月，而根据论文中的测试数据表明，Rainbow Dash 平均值只必须约 3.5 小时来自学向前、向后和左右弯道等运动——在柔软平缓的地面上，该机器人自学走路必须 1.5 个小时，在由记忆海绵材质的床垫上约必须 5.5 个小时，在镂空的地毯上约必须 4.5 个小时。具体来说，该机器人用于深度增强自学，即融合了深度自学和增强自学两种有所不同类型的 AI 技术。

通过深度自学，系统可以处置和评估来自其身处环境的完整输出数据；通过增强自学，算法可以重复试验，以自学如何继续执行任务，并根据已完成的程度来取得奖励和惩罚。也就是说，通过上述的这种方式，机器人之后可以在其不理解环境中构建自动控制策略。在以往的此类实验中，研究人员最初都会让机器人通过仿真来自学真实世界的环境。

在建模环境中，机器人的虚拟世界体首先与虚拟环境展开交互，然后，算法接管这些虚拟世界数据，直到系统有能力对这些数据“应付自如”，一个配备系统的物理形态的机器人才不会被摆放到现实环境中展开实验。这种方法有助防止在试错过程中对机器人及其周围环境导致伤害。不过，环境虽然更容易建模，但一般来说耗时宽，而且现实环境中充满著了各种意想不到的情况，因此，在仿真环境中训练机器人的意义受限。

却是，此类研究的最终目标才是是让机器人为现实世界的场景作好打算。Google 和佐治亚理工学院以及加州大学伯克利分校的研究人员并没“顽固”。在他们的实验中，从一开始就在现实环境中对 Rainbow Dash 展开训练，这样一来，机器人不仅需要很好地适应环境自己所处的环境，也需要更佳地适应环境相近的环境。

尽管 Rainbow Dash 需要独立运动，这并不代表研究人员可以对其“撒手不管”。在一个环境中自学行驶的最开始，研究人员仍必须对 Rainbow Dash 手动介入上百次。为了解决问题这个问题，研究人员限定版了机器人运动的环境，让其重复使用展开多重动作训练。在 Rainbow Dash 自学行驶之后，研究人员可以通过连进掌控手柄来操纵机器人实现理想的运动轨迹，将机器人掌控在原作的环境内。

此外，机器人在辨识到环境的边界后，也不会自动往回回头。在特定的环境之外，机器人可能会反复跌倒造成机器损毁，那时候就必须另一个软编码算法来协助机器人车站一起。Google 在该研究中的负责人 Jan Tan 告诉他媒体，这项研究花费了约一年的时间才已完成。

他说：我们有兴趣让机器人需要在各种简单的现实世界环境中运动。不过，要设计出有需要灵活处理多样性和复杂性的运动控制器十分困难。

了解到，接下来，研究人员期望他们的算法能限于于有所不同种类的机器人，或限于于多个机器人在同一环境中同时展开自学。研究人员坚信，密码机器人的运动能力将是关卡更加多简单机器人的关键——人类用腿来走路，如果机器人会用于腿，它们就无法在人类世界中行驶。然而，让机器人在人类世界中行驶是一个至关重要的课题，它们可以替换人类探寻地球上有所不同的地形或并未被人类探寻过的地区，比如太空。但由于该机器人依赖加装在其上方的动作捕猎系统来确认方位，该装置继续还无法必要用作现实世界。

(公众号：)录：本文参照 Business Insider原创文章，予以许可禁令刊登。下文闻刊登须知。

本文来源：NG体育-www.hjwy.net