「熟能生巧」這句話通常是為人類保留的，但對於新部署在陌生環境中的機器人來說，這也是一句很棒的格言。 想像一個機器人到達倉庫。它配備了經過訓練的技能，例如放置物體，現在它需要從不熟悉的架子上挑選物品。起初，機器對此很掙扎，因為它需要熟悉新環境。為了改進，機器人需要了解整個任務中的哪些技能需要改進，然後專門化（或參數化）動作。 現場人員可以對機器人進行程式設計以優化其性能，但來自麻省理工學院電腦科學和人工智慧實驗室（CSAIL）和人工智慧研究所的研究人員已經開發出更有效的替代方案。他們在上個月的機器人：科學與系統會議上展示了他們的「估計、外推和定位」（EES）演算法，使這些機器能夠自行練習，有可能幫助它們改進工廠、家庭和醫院的有用任務。 審時度勢 為了幫助機器人更好地完成掃地等活動，EES 使用視覺系統來定位和追蹤機器的周圍環境。然後，演算法會評估機器人執行動作（例如掃地）的可靠性以及是否值得進行更多練習。 EES 會預測機器人在完善特定技能並最終進行實踐的情況下執行整體任務的能力。視覺系統隨後會在每次嘗試後檢查技能是否正確完成。 EES 可以在醫院、工廠、住宅或咖啡店等地方派上用場。例如，如果您想要一個機器人來清理您的客廳，則需要幫助它練習掃地等技能。不過，根據 Nishanth Kumar SM ’24 和他的同事的說法，EES 可以幫助機器人在無需人工幹預的情況下進行改進，只需進行幾次實踐試驗。 「在進入這個計畫時，我們想知道這種專業化是否可以在真實機器人上的合理數量的樣本中實現，」描述這項工作的論文的共同主要作者、電氣工程和計算機科學博士生庫馬爾說。 「現在，我們有了一種演算法，可以讓機器人在合理的時間內利用數十或數百個數據點在特定技能上取得有意義的進步，這是標準強化學習演算法所需的數千或數百萬個樣本的升級。 請參閱定點掃描 在人工智慧研究所的研究試驗期間，EES…