奔跑、攀援、摔倒、爬起，對于野外動物來說，這些動作是與生俱來的本能。我們人類出生后，掌握這些動作的時間相對慢一些或者需要訓練，但作為彌補，我們擁有非常精細的手部運動技能，可以從容操作各種工具。

而眾所周知，無論是優雅地行走還是自然地抓取，機器人在這方面的表現一直不盡如人意，步態運動的協調性和機器手的靈巧度一直是業界難題。

但現在，情況正一點點發生變化。

據日前英國《自然》新聞與觀點文章稱，歷經幾十年，機器人終于在機器學習的幫助下，開始掌握自然地行走、奔跑和抓物的技能了。這一突破，被認為拉開了具有“物理靈活性”的人工智能時代的序幕，同時，開啟了一個“機器人自主時代”。

機器人“活得”比你想的要難

一個機器人的“生命”，是從仿真開始的。

機器人工程師們首先會看引導軟件在虛擬世界中是否表現良好，如果令人滿意，這個軟件就會被放進機器人體內，應用于物理世界。

但在物理世界中，看似很小的障礙都會讓機器人陷入困境，他們不可避免地遭遇“真實世界”帶來的無數巨大難題——那些無法預測的表面摩擦力、結構柔性、振動，以及機器人自身的傳感器延遲、致動器轉化不良等等，這一連串障礙，幾乎沒有一個能用數學模型提前假設。

過去幾十年來，工程師其實也在不斷嘗試通過基于預測性數學模型(經典控制論)的軟件，去引導機器人進行肢體活動。然而，這個方法在引導機器人肢體執行行走、攀爬和抓取不同形狀物體這類極為簡單的任務時，被證明無效。

機器人在仿真環境中即使再應對自如，進入真實的物理世界，也會如懵懂孩童般跌跌撞撞。

機器學習或能彌合仿真與現實差距

當人們已習慣機器人數十年如一日的蹣跚學步，科學家們卻突然點亮了希望。

日前，蘇黎世聯邦理工學院機器人系統實驗室團隊在《科學·機器人學》上發表最新論文，給出了新證據表明，運用數據驅動法設計的機器人軟件，有很大希望解決機器人學和人工智能研究長期面臨的巨大難題——仿真與現實之間的差距。

團隊演示的方法是將經典控制論與機器學習技術相結合。他們首先設計了一個四足機器人的傳統數學模型，并給機器人起名“ANYmal”。接下來，再從引導機器人四肢運動的致動器中收集數據，數據輸入多個人工智能神經網絡系統，從而建立了第二個模型。

這個機器學習模型，就可以自動預測“AMYmal”機器人的肢體運動。經過訓練的神經網絡，只要插入第一個模型中，就可以在電腦上仿真運行這個混合模型。

團隊發現這種利用數據驅動法設計的軟件，大大提高了機器人的運動技能——它速度更快，動作也更精準。而且先將運動策略在仿真器中優化，再轉入機器人體內在物理世界進行測試，最后機器人的表現，竟然和仿真表現一樣好。

混合模型是變革的第一步

這一成就，被認為是機器人及人工智能的一項重要突破，其預示著，曾經不可逾越的仿真與現實之間的差距正在被消弭。

其也預示著新一輪人工智能的重大變革，而混合模型，正是這場變革的第一步。之后，所有的分析模型都將面臨“下崗”。

通過機器人在現實環境中收集到的數據，訓練機器學習模型——這一方法也被稱為“端到端訓練”(end-to-end training)。其正緩慢但堅定地照進現實，在諸如關節式機械臂、多指機械手、無人機，甚至是無人駕駛汽車中得到應用。

或許不久的將來，機器人工程師將不必再“告訴”機器人如何走路、如何抓取，而是讓機器人利用自身收集得來的數據，進行自我學習。

不過，現階段其也存在一定挑戰。最重要的就是要優化可擴展性，以確定“端到端訓練”是否可以擴展用于引導擁有幾十個致動器的復雜機器，譬如類人機器人、制造工廠、智能城市這一類大型系統，進而用數字技術幫助人類切實地提高生活質量。

《自然》觀點文章稱，對人類來說，當腦中對未來行動的思路越清晰，這個人的自我意識能力也就越高。現如今，機器人已經在學習的路上更進一步，其不僅是一次具有實際意義的突破，讓某些工程性勞動得以解放，還標志著科學家們已開啟了“機器人自主時代”。(記者 張夢然)

關鍵詞： 機器人 仿真