深度学习机器臂控制_深度学习新进展：可自建任务解决模型的机器人问世

机器学习已被验证为让计算机完成特定任务的有效策略，通过不断的试错和数据解析训练“教会”计算机学习任务的策略，通过自学习培育出精通这项任务的人工智能机器或者程序计算模型。来自哥大工程学院(Columbia Enginering)的机器人团队一项最新的研究，在深度学习方面又更向前迈进了一步。

在研究中，团队不再向机器人直接给定一个有特定目标的任务，而是通过限制性的初始条件和控制能力，让机器人在自学习进程中自主意识到如何学习才能完成任务目标，简单地说就是能够自建模型完成任务。

实验中的机器人依靠自己搞清楚它其实是一个机器人，为一项专门的任务设计，但在测试开始时，它连自己身体的外观如何都不清楚，但事情很快发生了转机。

发表于《科学机器人》期刊的论文中，研究团队解释了机器人遇到的第一个难关，就是搞清楚自己躯干的形状。机器人拥有数个关节构成的长机械臂，起初机器人只是随机胡乱地挥动机械臂，尝试找到其机械臂的运动能力和移动范围。

最终，机器人掌握了如何精确移动机械手的足够知识，它开始拾捡物体，把它们精确地放入容器，到100%的精确率，它根据给予的能力自主意识到任务目标和完成目标。

这一过程中，完全没有人直接告知机器人该做什么，研究者只是不断地改变其计算能力并限制一定条件。起初机器人拥有能够精确测量其动作的感知能力，类似人能够“看”到自己手在运动时的动作。后来这一能力被团队移除了，找到目标前机器人度过了一段难挨的时期，但机器人仍然能够以44%的精确率拾取并放置物体，令人印象深刻。

尽管这距离实现人工自主意识还很远，但这是一个有趣的实验，展示了计算机算法有能力给予机器人学习自身和周遭事物自建问题解决模型的概念。