各种形状和尺寸的机器人越来越多地出现在工作场所，从工厂到手术室。许多机器人依赖于通过机器学习，通过反复试验来获得新技能。一种新方法有助于在形状不同的机器人之间转移此类技能，避免了每次都从头开始学习任务。“实际上，这很重要，”卡内基梅隆大学计算机科学家、这项研究的主要作者刘星宇 (Xingyu Liu) 说，该研究于今年夏天在国际机器学习会议上发表。“从研究的角度来看，我认为这是一个很酷的基础问题，值得研究。”
假设你有一个带有类人手的机器人手臂。你已经训练它的五根手指拿起锤子，将木钉敲入木板。现在你想让一个两指夹爪做同样的工作。科学家们在两者之间创建了一种模拟机器人桥梁，其形状从原始形状缓慢转变为新形状。每个中间机器人都会练习指定的任务，调整人工神经网络，直到其达到成功的阈值率，然后控制器代码才会传递到链中的下一个机器人。
为了在虚拟源机器人和目标机器人之间转换，该团队创建了一个共享的“运动树”——一组节点，代表由代表关节的链接连接的肢体部分。为了将锤击技能转移到两指夹爪，该团队将其中三个手指的节点尺寸和权重调整为零。在每个中间机器人中，手指的尺寸和重量都变得小一点，并且控制它们的网络必须学会调整。研究人员还调整了他们的训练方法，使机器人之间的飞跃不会太大或太小。
支持科学新闻业
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻业： 订阅。通过购买订阅，您将帮助确保有关当今塑造我们世界的发现和想法的具有影响力的故事的未来。
卡内基梅隆系统名为 REvolveR（代表机器人-进化-机器人），其性能优于基准训练方法，例如从头开始教导目标机器人。为了在使用夹爪、在锤击任务以及其他涉及移动球和开门的实验中达到 90% 的成功率，即使替代方法使用了更丰富的信息性训练反馈，最佳替代训练方法也比 REvolveR 多需要 29% 到 108% 的试验次数。在进一步的实验中，研究人员在其他类型的虚拟机器人上测试了他们的过程，例如为蜘蛛状机器人添加新的腿部，并让它重新学习如何爬行。
牛津大学计算机科学家维塔利·库林 (Vitaly Kurin) 说：“我认为这个想法很好。”他研究机器人技术和机器学习，但未参与这项工作。他说，尽管安排挑战以便 AI 可以在任务之间转移技能并不新鲜，但“这种从一个机器人内插到另一个机器人以进行转移的方法是我以前没有想到的。”