现有的机器人执行奔跑或跳跃等动作可以证明当前自主技术的发展水平，然而，机器人的运动能力与其在环境中处理和移动物体的能力间仍存在很大差距。美海军研究实验室（NRL）正在研究如何缩小这种能力差距，改进机器人和其他自主系统的功能。
NRL机器人专家格伦·亨肖表示，在过去10年里机器人的自主能力已经取得显著进步，但机器人仍难以执行特殊的动作，尤其是使用机械臂进行操纵的动作。NRL表示研发出可以理解世界、并灵巧地完成各种任务的机器人的目标将很快实现。
开发机器人的三种方法
亨肖表示，通常有3种方式开发机器人，其中两种方法存在不足之处，另一种则刚刚开始发展。
第一种方法是手动设计所有用于机器人行走或移动的算法。如果对环境和机器人的设定比较明确且不发生巨大变化，这种方法非常有效。DARPA的“BigDog”四足机器人就是采用这种方式设计而成。制造这款机器人的波士顿动力公司表示，研发团队花费近20年的时间研究出该机器人所需的算法。但这种方法存在“脆弱性”，也就是说，改变其中任何一种假设，使机器人完成不同的任务，或环境变得不同，这种方法都无法正常工作。
第二种方法是模型预测控制，在方程式中以数学公式描述机器人应该做什么，然后计算出这些方程式的解。如果拥有较强的计算能力，且方程正确，那么这种方法就能很好地运作。
第三种方法是通过机器学习算法，也是使机器人执行复杂操作任务最困难的方法。机器人专家称该方法的问题在于所有可用的深度学习算法都需要非常大量的数据训练集。
数据高效的机器学习
相反，NRL正在研发数据高效的机器学习算法。专家们将这种能力描述为在复杂领域学习而不需要大量数据支撑的能力。提高数据效率，减少学习次数。为此，NRL正在开展两个相关领域的研究：一是为特定任务定制神经网络，使其在保证准确性的情况下变得更小；二是开发主动询问学习算法。
通过神经网络，NRL试图理解如何自定义单个神经元的计算，使其更符合机器人需要执行各种运动的任务。如果可以通过某种方式定制每个神经元计算的内容，使之与一项任务相关联，那么就可以减少神经元的数量。神经元越少，所需的训练集就越小。
为优化主动询问学习算法，NRL利用了人类的经验。即定向学习，专注于学习一件特定的事情。研究人类的学习方式，更明确地了解所收集的数据类型，获得更多“定向”信息，进而加快学习速度。NRL将这一过程看作是对问题的优化设计。
相比之下，目前的深度学习算法是“对世界的被动观察”。由于机器学习依赖于数百万个数据点，如果数据集足够大，算法最终将获得完成任务所需的数据。数据集的大小成为限制因素。
在这项研究的基础上，NRL正在研究使用专门处理单元的神经形态计算。这种新型的计算机硬件——神经形态芯片，不同于标准计算机，其工作方式类似人类大脑。由于NRL没有能力制造芯片，目前正与半导体芯片制造商合作，以获取所需的神经形态芯片。
截止到今天，机器人的研究更多集中在机器视觉上，造成了灵敏度相关的能力差距。亨肖表示，未来对神经形态计算的研究工作将会不断增加。
来源：美国武装部队通信与电子协会网站/图片来自互联网
军事科学院军事科学信息研究中心 刘伟雪
如需转载请注明出处：“国防科技要闻”（ID：CDSTIC）
