几十年来，学习一直是机器人领域的圣杯。若要在不可预测的环境中蓬勃发展，机器人不能仅依赖预设编程做出反应，更需具备适应与学习能力。随着研究深入及专家交流的增多，一个共识日益清晰：真正的机器人学习需要多种解决方案的结合。
视频驱动学习：从WHIRL到VRB的演进
视频作为一种引人入胜的解决方案，已成为近期该领域研究的核心。去年此时，我们介绍了由卡内基梅隆大学（CMU）开发的WHIRL算法（野外人类模仿机器人学习），旨在通过观看人类执行任务的视频来训练机器人系统。
本周，CMU机器人研究所助理教授Deepak Pathak展示了VRB（视觉-机器人桥梁），这是WHIRL的演进版本。与前代一样，该系统利用人类演示视频进行教学；但更新后的版本不再要求人类在与机器人完全相同的环境中进行演示，显著提升了泛化能力。
交互升级：从“胡乱挥舞”到精准操作
博士生Shikhar Bahl表示：“我们曾让机器人在校园内四处移动并执行各种任务。借助这种模型，机器人可以好奇地探索周围世界，不再只是胡乱挥舞手臂，而是能进行更直接、有效的交互。”
在技术层面，机器人重点关注接触点和轨迹等关键信息。以拉开抽屉为例，接触点即把手，轨迹则是开启方向。CMU指出：“在观看了几段人类拉开抽屉的视频后，机器人就能确定如何打开任何抽屉。”
数据基石：海量视频赋能通用技能
显然，不同抽屉的操作方式各异。尽管人类擅长此道，但面对设计奇特的柜子仍可能受阻。改善结果的关键在于构建更大的训练数据集。CMU依赖于Epic Kitchens和Ego4D等数据库，后者拥有来自全球各地的近4,000小时第一人称日常活动视频。
Bahl强调，庞大的潜在训练数据档案正待挖掘。“我们正在以一种全新且不同的方式使用这些数据集，”他表示，“这项工作有望使机器人能够从互联网和YouTube上可用的海量视频中自主学习。”