人工智能開啟機(jī)器人編程新模式：機(jī)器人操作技能學(xué)習(xí)

文/吳鴻敏 徐智浩 周雪峰

機(jī)器人被譽(yù)為“制造業(yè)皇冠頂端的明珠”，是衡量一個國家創(chuàng)新能力和產(chǎn)業(yè)競爭力的重要標(biāo)志，已經(jīng)成為全球新一輪科技和產(chǎn)業(yè)革命的重要切入點。隨著工業(yè)4.0和智能制造業(yè)的智能化和柔性化發(fā)展，機(jī)器人在智能化發(fā)展過程中也面臨較大的挑戰(zhàn)。一方面，產(chǎn)品生產(chǎn)方式呈現(xiàn)多樣化、小批量和定制化特征，需要更短的制造系統(tǒng)迭代周期，迫使機(jī)器人具備快速編程與對不同場景的高效適應(yīng)能力。另一方面，機(jī)器人正逐漸從工業(yè)環(huán)境的獨立操作轉(zhuǎn)化為與人類進(jìn)行人機(jī)協(xié)作，這就要求機(jī)器人具備類人的靈巧操作能力。

現(xiàn)有依賴于人為干預(yù)與反復(fù)調(diào)試的機(jī)器人編程方式只適用于特定任務(wù)，當(dāng)遇到相近任務(wù)或不同環(huán)境時，需要重新進(jìn)行編程，從而無法汲取過往的操作經(jīng)驗，存在效率低、適應(yīng)性差、靈巧性不足等問題。當(dāng)前，新一代人工智能技術(shù)研發(fā)取得了重大進(jìn)步，產(chǎn)品應(yīng)用也日益廣泛，隨著機(jī)器人應(yīng)用廣度與深度的不斷提升，探索如何利用人工智能技術(shù)讓機(jī)器人系統(tǒng)具備一定的自主決策和學(xué)習(xí)能力，進(jìn)而使機(jī)器人能夠?qū)W習(xí)到適應(yīng)于不同任務(wù)和環(huán)境的操作技能，避免對每個任務(wù)的繁瑣編程，是未來機(jī)器人研究和發(fā)展的重要趨勢。

人工智能技術(shù)促進(jìn)機(jī)器人智能化與自主化發(fā)展

2017年7月，國務(wù)院發(fā)布了《新一代人工智能發(fā)展規(guī)劃》，將人工智能定位為國家戰(zhàn)略，明確提出了三步走戰(zhàn)略目標(biāo)，即到2020年人工智能技術(shù)應(yīng)用成為改善民生的新途徑；到2025年人工智能成為帶動我國產(chǎn)業(yè)升級和經(jīng)濟(jì)轉(zhuǎn)型的主要動力，智能社會建設(shè)取得積極進(jìn)展；到2030年人工智能理論、技術(shù)與應(yīng)用總體達(dá)到世界領(lǐng)先水平。國家和各省份都高度重視人工智能與機(jī)器人技術(shù)融合發(fā)展等方面的研究工作，部署實施了一批重大重點科技攻關(guān)項目，如，2018年科技部發(fā)布科技創(chuàng)新2030“新一代人工智能”重大項目，明確指出開展自主智能體靈巧精準(zhǔn)操作學(xué)習(xí)；2020年廣東省重點領(lǐng)域研發(fā)計劃“新一代人工智能”重大專項也明確提出開展多自由度智能體復(fù)雜技能的自主學(xué)習(xí)研究及應(yīng)用等。由此可見，隨著人工智能與互聯(lián)網(wǎng)、大數(shù)據(jù)、云平臺等深度融合，在跨媒體感知、自主協(xié)同控制和優(yōu)化決策、機(jī)器學(xué)習(xí)、類腦智能計算等技術(shù)的支撐下，機(jī)器人的智能化與自主化水平將進(jìn)一步提升，未來的機(jī)器人將具有更多的感知與決策認(rèn)知能力，變得更加靈活、靈巧與通用，能夠高效適用于復(fù)雜多變的應(yīng)用場景。

如今，人們提出了借助人工智能技術(shù)讓機(jī)器人進(jìn)行自主決策與學(xué)習(xí)的方法，從而使機(jī)器人適應(yīng)于靈活多樣化的應(yīng)用需求。其中，機(jī)器人操作技能學(xué)習(xí)被認(rèn)為是最為有效的解決方案，主要是通過機(jī)器人與人類和環(huán)境交互的方式獲得操作技能。具體包括兩方面的內(nèi)容：一是使機(jī)器人從與人類交互的經(jīng)驗數(shù)據(jù)中進(jìn)行高效率模仿學(xué)習(xí)，充分利用人類的操作經(jīng)驗，實現(xiàn)人-機(jī)器人操作技能傳授，目的是賦予機(jī)器人具備“舉一反三”的能力；二是使機(jī)器人從與環(huán)境交互的經(jīng)驗數(shù)據(jù)中進(jìn)行可持續(xù)增強(qiáng)學(xué)習(xí)，并根據(jù)實際環(huán)境的變化構(gòu)建出自主操作策略模型，目的是賦予機(jī)器人具備“熟能生巧”的能力。特別是，模仿學(xué)習(xí)是增強(qiáng)學(xué)習(xí)初始化和提高技能學(xué)習(xí)效率的重要方式。

機(jī)器人操作技能的高效率模仿學(xué)習(xí)

2018年8月，中國工程院院刊刊載的文章《走向新一代智能制造》中明確指出，新一代智能制造技術(shù)機(jī)理是人-信息-物理系統(tǒng)，其典型特征是人將部分認(rèn)知轉(zhuǎn)移給信息系統(tǒng)，使系統(tǒng)具有認(rèn)知與學(xué)習(xí)能力。在人-信息-物理系統(tǒng)中將人的操作經(jīng)驗與靈巧性遷移到機(jī)器人系統(tǒng)，使其獲得高度類人化操作能力，是機(jī)器人操作技能學(xué)習(xí)的一種重要方式，其實現(xiàn)過程有著不同的稱謂，如示教編程（programming by demonstration, PbD）、示教學(xué)習(xí)（learning from demonstration,LfD）、模仿學(xué)習(xí)（imitation learning），以及學(xué)徒學(xué)習(xí)（apprenticeship learning）等。特別地，根據(jù)該類機(jī)器人操作技能學(xué)習(xí)方法的特點以及實現(xiàn)過程，我們在此表述為機(jī)器人操作技能的高效率模仿學(xué)習(xí)。在實際應(yīng)用中，一般讓熟練的工人根據(jù)自身操作經(jīng)驗通過拖動示教、遠(yuǎn)程示教或虛擬示教等方式對機(jī)器人系統(tǒng)進(jìn)行示教，進(jìn)而通過人工智能技術(shù)，從經(jīng)驗數(shù)據(jù)中獲得機(jī)器人運動策略，最終實現(xiàn)機(jī)器人操作技能學(xué)習(xí)，當(dāng)面臨相近的操作任務(wù)應(yīng)用需求時，機(jī)器人可以高效地對所習(xí)得的操作技能進(jìn)行泛化處理，以生成新的操作技能來完成新的任務(wù)，從而極大增加了機(jī)器人系統(tǒng)編程的效率及靈活性。

機(jī)器人操作技能的高效率模仿學(xué)習(xí)過程包括三個階段：

第一階段是人類對機(jī)器人進(jìn)行示教階段。一般以在線示教為主，在示教過程中機(jī)器人跟隨示教者進(jìn)行運動，并同步采集到機(jī)器人本體、機(jī)器人與操作對象，以及環(huán)境的狀態(tài)信息，包括位姿、速度、力矩、剛度、相對位姿關(guān)系等。

第二階段是機(jī)器人操作技能的建模與學(xué)習(xí)階段。通過非線性動態(tài)系統(tǒng)或軌跡編碼算法對經(jīng)驗數(shù)據(jù)進(jìn)行封裝，形成技能模型，并通過技能學(xué)習(xí)獲得模型參數(shù)。

第三階段是機(jī)器人操作技能的實例化與泛化應(yīng)用階段。通過智能感知技術(shù)對新任務(wù)的目標(biāo)進(jìn)行識別與定位，將學(xué)習(xí)到的技能模型適應(yīng)于環(huán)境的變化，并根據(jù)任務(wù)的需求選擇合適的機(jī)器人控制模式。其實現(xiàn)過程如圖1所示。

總體而言，機(jī)器人操作技能模仿學(xué)習(xí)是通過構(gòu)建“感知-動作”的學(xué)習(xí)機(jī)制，賦予機(jī)器人“舉一反三”的操作能力，顯著提升機(jī)器人操作的編程效率與靈巧性，實現(xiàn)復(fù)雜任務(wù)下多樣化技能的高效習(xí)得。

圖1 機(jī)器人操作技能的模仿學(xué)習(xí)過程

機(jī)器人操作技能的可持續(xù)增強(qiáng)學(xué)習(xí)

增強(qiáng)學(xué)習(xí)（Reinforcement Learning）被認(rèn)為是人類通往通用人工智能（artif cial general intelligence, AGI）的有效途徑。在基于增強(qiáng)學(xué)習(xí)的機(jī)器人操作技能學(xué)習(xí)中，機(jī)器人以試錯的機(jī)制與環(huán)境進(jìn)行交互，并通過給定當(dāng)前狀態(tài)及其回報優(yōu)化下一步動作，以最大化從環(huán)境獲得的預(yù)期回報進(jìn)行最優(yōu)操作技能策略學(xué)習(xí)。相比于玩電腦游戲、圍棋的增強(qiáng)學(xué)習(xí)問題，機(jī)器人操作技能的增強(qiáng)學(xué)習(xí)主要面臨著三個方面的挑戰(zhàn)：一是需要對機(jī)器人的高維連續(xù)狀態(tài)與動作空間進(jìn)行優(yōu)化；二是真實機(jī)器人與環(huán)境交互的數(shù)據(jù)采集成本高昂且安全性低；三是策略模型訓(xùn)練效率低。

為了應(yīng)對增強(qiáng)學(xué)習(xí)在機(jī)器人操作技能學(xué)習(xí)方面面臨的挑戰(zhàn)，目前機(jī)器人操作技能增強(qiáng)學(xué)習(xí)方法主要有兩類：一是將機(jī)器人感知與控制模塊融合進(jìn)策略模型中，形成端到端的機(jī)器人操作技能策略模型，進(jìn)而可以直接將傳感器原始觀察作為輸入，并將底層執(zhí)行器的驅(qū)動指令作為輸出。由于這一學(xué)習(xí)過程是對機(jī)器人完成任務(wù)的每一步動作進(jìn)行優(yōu)化，也被稱為基于步驟的機(jī)器人操作技能增強(qiáng)學(xué)習(xí)方法，如圖2所示。

二是針對增強(qiáng)學(xué)習(xí)樣本利用率低和學(xué)習(xí)效率低的瓶頸問題，在模仿學(xué)習(xí)的基礎(chǔ)上，提出了一種基于運動基元表征（movement representation）的機(jī)器人操作技能增強(qiáng)學(xué)習(xí)方法，即將機(jī)器人完成任務(wù)的運動基元，例如，模仿學(xué)習(xí)中常用的動態(tài)運動原語（Dynamic movement primitives, DMP ）、 概 率 運動 基 元（probabilistic movement primitives, ProMP）和核化運動基元（kernelized movement primitives,KMP）等，進(jìn)行參數(shù)化后對這些運動基元的參數(shù)進(jìn)行學(xué)習(xí)與優(yōu)化，得到滿足任務(wù)需求的運動基元參數(shù)配置。具體技術(shù)方案如圖3所示。

通過結(jié)合模仿學(xué)習(xí)與增強(qiáng)學(xué)習(xí)的優(yōu)勢，將人類的操作經(jīng)驗進(jìn)行知識化表達(dá)后再進(jìn)行學(xué)習(xí)，具有較好的樣本利用率和學(xué)習(xí)效率，這也是近年來機(jī)器人操作技能學(xué)習(xí)的主要研究方向。

由此可見，機(jī)器人操作技能的增強(qiáng)學(xué)習(xí)方法是通過構(gòu)建“感知+控制”一體的機(jī)器人操作技能增強(qiáng)學(xué)習(xí)機(jī)制，不斷從與環(huán)境交互中進(jìn)行操作策略學(xué)習(xí)與持續(xù)優(yōu)化，賦予機(jī)器人“熟能生巧”的操作能力。

機(jī)器人操作技能學(xué)習(xí)的相關(guān)研究

圖2 機(jī)器人裝配技能的增強(qiáng)學(xué)習(xí)方法

圖3 融合模仿學(xué)習(xí)與增強(qiáng)學(xué)習(xí)的機(jī)器人操作技能學(xué)習(xí)過程

目前，國內(nèi)外學(xué)者通過效仿人類進(jìn)行操作技能學(xué)習(xí)的內(nèi)在機(jī)制，將機(jī)器人操作技能學(xué)習(xí)系統(tǒng)劃分為四個功能模塊：機(jī)器人本體、感知與控制、技能模型與技能學(xué)習(xí)。其中，感知與控制是機(jī)器人本體與技能模型之間的中介層，通過視覺、觸覺、聽覺等傳感器實現(xiàn)對操作對象和環(huán)境的狀態(tài)感知，并由控制模塊實現(xiàn)機(jī)器人本體的運動控制與執(zhí)行。技能模型用于對經(jīng)驗數(shù)據(jù)進(jìn)行封裝，且不依賴于具體的機(jī)器人平臺，可以由一定的參數(shù)配置實例化為具體的技能，其參數(shù)通常由技能學(xué)習(xí)實現(xiàn)。下面將針對技能模型與技能學(xué)習(xí)方法的不同，對目前機(jī)器人操作技能學(xué)習(xí)的相關(guān)研究進(jìn)行闡述。

1.“舉一反三”

為了賦予機(jī)器人“舉一反三”的操作能力，學(xué)界提出了機(jī)器人操作技能的高效率模仿學(xué)習(xí)方法，包括基于非線性動態(tài)系統(tǒng)和軌跡編碼兩種技能模型。該方法能夠充分利用人類的操作經(jīng)驗，將人類的操作技能傳遞給機(jī)器人，具有高效率、低成本等優(yōu)點。

在動態(tài)系統(tǒng)方面，德國馬 普研究所的智能自主系統(tǒng)研究團(tuán)隊通過利用一系列線性可微方程，對人類示教的機(jī)器人運動進(jìn)行建模，提出了基于動態(tài)系統(tǒng)的操作技能模仿學(xué)習(xí)方法，命名為動態(tài)運動原語（DMP）。該方法繼承了非線性動態(tài)系統(tǒng)的條件收斂、對外界擾動的魯棒性和時間獨立性等優(yōu)點，無論受到何種外界干擾，模型都將收斂于目標(biāo)點。在此基礎(chǔ)上，瑞士聯(lián)邦理工學(xué)院的學(xué)習(xí)算法與系統(tǒng)實驗室通過將機(jī)器人動力學(xué)與創(chuàng)新學(xué)習(xí)算法相結(jié)合，提出了一種基于非線性動態(tài)系統(tǒng)全局穩(wěn)定估計（stable estimator of dynamical systems,SEDS）的機(jī)器人操作技能模仿學(xué)習(xí)方法，將動態(tài)系統(tǒng)與概率統(tǒng)計模型相結(jié)合，給出全局穩(wěn)定性的約束條件，將參數(shù)估計問題轉(zhuǎn)化為最優(yōu)化問題對未知參數(shù)進(jìn)行學(xué)習(xí)，實現(xiàn)了動態(tài)性很強(qiáng)的機(jī)器人復(fù)雜操作技能模仿學(xué)習(xí)，具有較強(qiáng)的抗干擾性和全局穩(wěn)定性。國內(nèi)，哈爾濱工業(yè)大學(xué)采用動態(tài)運動原語與高斯回歸模 型（Gaussian mixture regression, GMR）進(jìn)行人機(jī)技能遷移學(xué)習(xí)，提出了基于閾值的啟發(fā)式機(jī)器人操作任務(wù)分割算法，并在人機(jī)協(xié)作任務(wù)上進(jìn)行泛化應(yīng)用。華南理工大學(xué)提出了基于動態(tài)運動原語與模糊高斯混合回歸模型的人機(jī)技能傳遞系統(tǒng)，并利用徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器人運動學(xué)估計，有效提升技能泛化的精度。廣東省科學(xué)院針對已有操作技能模型在未知環(huán)境下感知能力不足的問題，提出了基于動態(tài)運動原語的機(jī)器人自感知操作技能模型(introspective movement primitives, IMPs)，不僅具備傳統(tǒng)機(jī)器人操作技能的運動特性，還兼?zhèn)淞送饨绲母兄芰?，并結(jié)合有限狀態(tài)機(jī)在機(jī)器人裝配及物流裝箱任務(wù)中進(jìn)行了驗證，實現(xiàn)了機(jī)器人復(fù)雜多步操作任務(wù)的增長式表征。

在軌跡編碼方面，瑞士Idiap研究所通過高斯混合模型（Gaussian mixture model, GMM ）和高斯回 歸 模 型（Gaussian mixture regression, GMR），對人類示教的經(jīng)驗數(shù)據(jù)進(jìn)行軌跡編碼，構(gòu)建了操作空間的機(jī)器人操作技能模仿學(xué)習(xí)框架，且利用相對熵作為軌跡泛化性能的指標(biāo)，保證了技能的穩(wěn)定性。德國達(dá)姆施塔特工業(yè)大學(xué)提出了概率運動基元（ProMP）對示范數(shù)據(jù)在時間和空間兩個維度的不確定性進(jìn)行聯(lián)合建模，使技能模型具有運動預(yù)測及增加中間過渡節(jié)點的能力。英國利茲大學(xué)在GMM/GMR模型的基礎(chǔ)上采用了核函數(shù)對回歸函數(shù)進(jìn)行建模，提出了核化運動基元（KMP）的機(jī)器人操作技能模仿學(xué)習(xí)方法，適用于高維輸入變量的情況。國內(nèi)，華中科技大學(xué)針對人機(jī)技能模仿學(xué)習(xí)中任務(wù)約束的不確定性問題，提出了基于GMM/GMR模型的閉環(huán)式人機(jī)技能傳遞方法，有效提升技能模型泛化應(yīng)用的精度和魯棒性。中國科學(xué)院自動化所提出了基于GMM/GMR的機(jī)器人微裝配技能模仿學(xué)習(xí)方法，實現(xiàn)了毫米級零件微米級精度的微裝配技能學(xué)習(xí)，實現(xiàn)人機(jī)高精度裝配技能的遷移。

2.“熟能生巧”

為了賦予機(jī)器人“熟能生巧”的操作能力，學(xué)界提出了機(jī)器人操作技能的可持續(xù)增強(qiáng)學(xué)習(xí)方法，讓機(jī)器人以試錯的機(jī)制與環(huán)境進(jìn)行交互，通過最大化累計獎賞的方式學(xué)習(xí)得到最優(yōu)操作技能策略。相比于模仿學(xué)習(xí)，該方法主要適用于人類難以示教，甚至不能示教，以及具有較高不確定性因素影響的操作任務(wù)，如打乒乓球、平底鍋翻餅、物體抓取等。

美國加州大學(xué)伯克利分校的機(jī)器人人工智能與學(xué)習(xí)實驗室提出了針對機(jī)器人操作任務(wù)的端到端深度視覺策略（visuomotor policy），將感知與控制融合于策略模型中，實現(xiàn)了直接由原始的觀測狀態(tài)，包括機(jī)器人關(guān)節(jié)角、關(guān)節(jié)速度、末端位姿、末端速度和RGB圖像作為策略模型輸入，輸出機(jī)器人關(guān)節(jié)力矩。該方法不僅實現(xiàn)了較為復(fù)雜的操作技能，而且避免技能學(xué)習(xí)對相機(jī)標(biāo)定、機(jī)器人動力學(xué)模型、視覺特征提取算法的依賴，展現(xiàn)較強(qiáng)的通用泛化能力，并在需要視覺和控制之間密切協(xié)調(diào)的擰蓋子任務(wù)進(jìn)行了驗證。谷歌大腦耗時4個月采集了14臺真實機(jī)器人總共隨機(jī)進(jìn)行80萬次抓取物體的數(shù)據(jù)進(jìn)行抓取技能學(xué)習(xí)，成功率為82%；在此基礎(chǔ)上，為了提高效率，提出了一種off-policy的增強(qiáng)學(xué)習(xí)算法QT-Opt，并通過7臺真實機(jī)器人收集超過58萬次的抓取數(shù)據(jù)進(jìn)行訓(xùn)練，實現(xiàn)了對未知物體抓取成功率達(dá)96%。谷歌大腦聯(lián)合劍橋大學(xué)在4臺真實機(jī)器人上采集視覺、慣性測量單元、關(guān)節(jié)編碼器等多模異構(gòu)信息融合的操作經(jīng)驗數(shù)據(jù)，并基于深度增強(qiáng)學(xué)習(xí)算法進(jìn)行機(jī)器人隨機(jī)目標(biāo)點到達(dá)和開門技能的學(xué)習(xí)，平均成功率達(dá)90%。DeepMind提出了基于數(shù)據(jù)驅(qū)動的技能學(xué)習(xí)框架，在常見物體的抓放、堆疊等2種技能應(yīng)用中的成功率分別為80%和60%，而該框架依賴于人工的偏好進(jìn)行新技能的學(xué)習(xí)，需要重新設(shè)計網(wǎng)絡(luò)及經(jīng)歷8小時～12小時的調(diào)試后才能實現(xiàn)一個簡單的插入技能應(yīng)用。

國內(nèi)，清華大學(xué)針對人類示教數(shù)據(jù)量不夠和質(zhì)量不高的問題，提出了基于示教的操作技能增強(qiáng)學(xué)習(xí)方法，將技能建模成一個帶約束的優(yōu)化問題，實現(xiàn)了在專家示教附近尋找最優(yōu)的技能策略，大幅度提升了技能學(xué)習(xí)效率。山東大學(xué)將機(jī)器人裝配任務(wù)劃分為兩個階段，先由視覺引導(dǎo)進(jìn)行精定位，再通過深度確定性策略網(wǎng)絡(luò)進(jìn)行精裝配，提出了基于力/力矩和機(jī)器人本體運動量等多模信息描述的機(jī)器人柔性裝配技能學(xué)習(xí)方法，并在卡扣式裝配任務(wù)進(jìn)行了驗證。騰訊機(jī)器人實驗室采用最小化操作技能逆動力學(xué)差異的方法，分析了由觀測和牽引示教兩種方式進(jìn)行多自由度智能體技能學(xué)習(xí)的性能，并將相關(guān)方法在虛擬場景下進(jìn)行了驗證。英特爾中國研究院提出了基于動態(tài)運動單元的機(jī)器人學(xué)習(xí)系統(tǒng)，通過DMP對機(jī)器人操作技能進(jìn)行表達(dá)后，采用增強(qiáng)學(xué)習(xí)算法實現(xiàn)投擲、做菜等任務(wù)。

機(jī)器人操作技能學(xué)習(xí)的未來發(fā)展趨勢

機(jī)器人操作技能學(xué)習(xí)作為人工智能與機(jī)器人學(xué)的交叉領(lǐng)域，通過讓機(jī)器人從人類示教或與環(huán)境交互的經(jīng)驗數(shù)據(jù)中進(jìn)行操作技能的自主獲取與優(yōu)化，并擴(kuò)展應(yīng)用于未知環(huán)境或任務(wù)，是實現(xiàn)機(jī)器人快速編程、高效適應(yīng)和靈巧操作的有效途徑。由于算法、算力、算據(jù)作為人工智能技術(shù)發(fā)展的三大支柱，同樣也直接決定了機(jī)器人操作技能學(xué)習(xí)的上限。

一方面，利用深度學(xué)習(xí)已經(jīng)部分解決機(jī)器人通過視覺、觸覺、聽覺等傳感器進(jìn)行外界感知的問題，并且基于模仿學(xué)習(xí)和增強(qiáng)學(xué)習(xí)理論框架，機(jī)器人操作技能已取得初步的成效，讓機(jī)器人具備一定的自主決策與學(xué)習(xí)能力，但目前大部分工作尚處于理論研究階段，機(jī)器人所實現(xiàn)的操作技能相對簡單，與人類相比還有較大的差距。在這個問題上，麻省理工學(xué)院機(jī)器人專家Leslie Pack Kaebl ing于2020在Science上發(fā)表一篇名為“The Foundation of Eff cient Robot Learning”的文章，指出要想實現(xiàn)下一代機(jī)器人學(xué)習(xí)的技術(shù)革新，必須綜合考慮工程原理、生物學(xué)靈感、系統(tǒng)設(shè)計階段學(xué)習(xí)以及最終的在線學(xué)習(xí)，才能打造出類人的智能機(jī)器人。

另一方面，目前機(jī)器人操作技能學(xué)習(xí)主要集中在單個機(jī)器人對單個任務(wù)的學(xué)習(xí)，缺乏從多個機(jī)器人、多個任務(wù)以及不同任務(wù)之間進(jìn)行學(xué)習(xí)。為實現(xiàn)這一目標(biāo)，需要對過往的操作經(jīng)驗進(jìn)行知識化表達(dá)，讓機(jī)器人學(xué)習(xí)到任務(wù)和環(huán)境的不變量并存儲起來，以便在學(xué)習(xí)新任務(wù)時利用它們，這就需要算力超強(qiáng)的“云端大腦”提供支撐，形成“云-邊-端”協(xié)同計算架構(gòu)的機(jī)器人操作技能學(xué)習(xí)與應(yīng)用平臺。

最后，在面臨算據(jù)不足的問題上，目前已提出了少樣本學(xué)習(xí)、遷移學(xué)習(xí)等理論框架，以及通過高逼真度的機(jī)器人物理仿真引擎，實現(xiàn)機(jī)器人操作技能的“虛-實”遷移，但都將難以消除“虛-實”之間的差異性。對此，構(gòu)建具備硬件無關(guān)、傳感共享、技能派生和群體智能特征的云機(jī)器人平臺，將促進(jìn)機(jī)器人操作技能學(xué)習(xí)技術(shù)更好落地應(yīng)用。

機(jī)器人操作技能學(xué)習(xí)作為人工智能加持下的機(jī)器人編程新模式，已受到了社會各界的廣泛關(guān)注與認(rèn)可，隨著人工智能與機(jī)器人技術(shù)的不斷突破，我們有理由相信，機(jī)器人將成為人類日常生活的一部分，在工業(yè)、服務(wù)、醫(yī)療、教育和軍工等領(lǐng)域提供幫助，并逐漸改變原有的產(chǎn)業(yè)模式，甚至是人類的生存模式。