机器人学习正处于一个令人兴奋的时代。各机构花费数十年时间构建复杂的数据集，并开创性地探索教导系统执行新任务的不同方法。在部署能够实时适应和学习的技术方面，我们似乎正站在真正突破的门槛上。
过去一年中，我们见证了大量引人入胜的研究成果。例如卡内基梅隆大学今年6月展示的VRB（视觉-机器人桥接）系统，该系统能够将YouTube视频中的学习成果应用于不同环境，从而无需程序员为每一种可能的变化进行专门设计。
上个月，谷歌DeepMind机器人团队展示了其另一项令人印象深刻的成果——RT-2（机器人Transformer 2）。该系统能够抽象出执行任务时的细枝末节，在给出的示例中，只需告诉机器人扔掉一件垃圾，而无需程序员教导机器人识别特定垃圾、捡起它并扔掉的步骤，即可完成这一对人类而言看似简单的任务。
RoboAgent：结合主动与被动学习的通用机器人雏形
本周卡内基梅隆大学（CMU）强调的额外研究将其工作与人类早期学习阶段进行比较。具体而言，该机器人人工智能代理被比作一名三岁的幼儿。在此背景下，学习水平被分为两类——主动学习和被动学习。
在这种情况下，被动学习是通过向系统展示视频或基于前述数据集对其进行训练来教导其执行任务。主动学习顾名思义——即亲自去执行任务并不断调整，直到做对为止。
RoboAgent是卡内基梅隆大学与Meta AI合作的成果，它像人类一样结合了这两种学习方式，即通过互联网观察任务执行过程，并结合远程遥控机器人的主动学习。据团队介绍，该系统能够将一种环境中的学习成果应用到另一种相似环境中，类似于上述提到的VRB系统。
卡内基梅隆大学机器人研究所的Shubham Tulsiani表示：“具备这种学习能力的代理使我们更接近于一种通用机器人，它能够在各种未见过的环境中完成多种任务，并在积累更多经验的过程中不断进化。”“RoboAgent可以利用有限的领域内数据快速训练机器人，同时主要依赖互联网上大量可用的免费数据来学习多种任务。这将使机器人在家庭、医院和其他公共空间等非结构化环境中更加有用。”
这一切中非常酷的一点是，该数据集是开源且普遍可访问的。它还旨在与现成的商用机器人硬件配合使用，这意味着研究人员和公司都可以利用并扩展日益增长的机器人数据和技能库。
机器人研究所的Abhinav Gupta表示：“RoboAgent能够实现比其他人所取得的成果更丰富的技能复杂性。”“我们展示了比任何单一真实世界机器人代理以往所实现的技能多样性都更高，并且具有效率和泛化能力，能够应对未见过的场景，这是独一无二的。”
迈向通用机器人的前景与挑战
在构建和部署多用途机器人系统，并最终迈向通用机器人的过程中，这一切都极具前景。我们的目标是创造能够超越我们在想到工业机器人时通常所联想到的、在高度结构化环境中运行的重复性机器的技术。当然，实际的世界级应用和规模化远比说起来容易。
就这些机器人学习方法而言，我们才刚刚起步，但我们正经历着一个新兴多用途系统蓬勃发展的激动人心的时期。