为了使机器人能够像人类一样在飞行中学习，一种新的方法扩展了训练数据集，用于处理绳索和织物等柔软物体或在混乱的环境中工作的机器人。
它由密歇根大学的机器人研究人员开发，可以将学习新材料和新环境的时间缩短到几个小时，而不是一两个星期。
在模拟中，扩展的训练数据集使机器人用绳子绕发动机缸体的成功率提高了40%以上，使物理机器人完成类似任务的成功率提高了近一倍。
这项任务是机器人机械师需要能够轻松完成的任务之一。但是，密歇根大学机器人学副教授、在《机器人:纽约科学与系统》上发表的一篇论文的资深作者德米特里·贝伦森(Dmitry Berenson)说，使用今天的方法，学习如何操作每个不熟悉的软管或皮带，将需要大量的数据，可能需要数天或数周的时间。
在这段时间里，机器人会摆弄软管——拉伸它，把两端连在一起，绕着障碍物旋转，等等——直到它了解软管可以移动的所有方式。
贝伦森说:“如果机器人在安装软管之前需要玩很长一段时间，这在很多应用中是行不通的。”
事实上，人类机械师可能不会对一个需要那么多时间的机器人同事感到满意。因此，贝伦森和机器人专业的博士生彼得·米特拉诺(Peter Mitrano)对一种优化算法进行了改进，使计算机能够做出我们人类所做的一些概括——预测在一个实例中观察到的动态如何在其他实例中重复。
在一个例子中，机器人在拥挤的表面上推动气缸。在某些情况下，圆柱体没有撞击任何东西，而在另一些情况下，它与其他圆柱体相撞，而其他圆柱体也随之移动。
如果圆柱没有撞到任何东西，这个运动可以在桌子上的任何地方重复只要轨迹没有把它带到其他圆柱上。这是人类的直觉，但机器人需要得到这些数据。与其做耗时的实验，米特拉诺和贝伦森的程序可以在第一次实验结果的基础上创造不同的结果，以同样的方式为机器人服务。
他们把重点放在伪造数据的三个特点上。它必须是相关的，多样的和有效的。例如，如果你只关心机器人在桌子上移动的气缸，那么地板上的数据就不相关了。另一方面，数据必须是多样化的——必须探索表格的所有部分，所有角度。
“如果你最大化数据的多样性，它就不会足够相关。但如果你将相关性最大化，它就不会有足够的多样性，”Mitrano说。“两者都是重要的。”
最后，数据必须是有效的。例如，任何两个圆柱体占据相同空间的模拟都是无效的，需要被识别为无效，这样机器人就知道不会发生这种情况。
对于绳子的模拟和实验，Mitrano和Berenson通过将绳子的位置外推到物理空间的虚拟版本中的其他位置来扩展数据集，只要绳子的行为与初始实例相同。仅使用初始训练数据，模拟机器人将绳子钩在发动机缸体上的时间为48%。在增强数据集上训练后，机器人的成功率达到70%。
在一个真正的机器人身上进行的一项探索动态学习的实验表明，让机器人以这种方式扩展每次尝试，在30次尝试的过程中，成功尝试13次，而不是7次，成功率几乎翻了一倍。
推荐阅读：葡萄牙投资移民
