在模仿人類方面，機(jī)器人已經(jīng)可以做到很多事情，比如搬運(yùn)物體、模仿人類筆跡、調(diào)酒等，但對于稍微復(fù)雜一點(diǎn)的事情機(jī)器人就會遇到困難，比如在廚房里進(jìn)行烹飪。

在模仿人類的動作時(shí)，機(jī)器人經(jīng)常會被人們不經(jīng)意完成的一些小動作所困擾，被分散對主要任務(wù)的注意力，比如挪動糖罐、翻找餐具等。

為了解決這個問題，華盛頓大學(xué)、斯坦福大學(xué)、伊利諾伊大學(xué)香檳分校、多倫多大學(xué)和英偉達(dá)的研究人員提出了一種“逆規(guī)劃”系統(tǒng)，通過一系列以廚房目標(biāo)為條件的視頻演示來評估他們的技術(shù)，該團(tuán)隊(duì)報(bào)告稱，他們的動作推理方法將任務(wù)成功提高了20%以上。

動作推理

動作推理能夠使得機(jī)器人在完全不同的環(huán)境中計(jì)劃執(zhí)行、復(fù)制相同的目標(biāo)。但研究人員表示，在一個雜亂的環(huán)境中，比如一個廚房，對象的配置方式可能會使得目標(biāo)變得模糊。

在這種情景下，僅僅識別一個動作是不夠的，因?yàn)橐粋€任務(wù)可能需要很多的動作。比如，為了拿起一把廚刀，人類可能會先挪開餐盤，掀起桌布，再從桌布下拿起廚刀。

MIT計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室就有一個“自主機(jī)器人的任務(wù)和運(yùn)動規(guī)劃”項(xiàng)目，表明“我們的目標(biāo)是設(shè)計(jì)算法，使機(jī)器人能夠在人類環(huán)境中操作，同時(shí)推理高級任務(wù)動作和低級動作”，例如，讓一個機(jī)器人在家庭廚房中自主做飯。

為了完成這樣的任務(wù)，它必須考慮高層次的目標(biāo)，比如需要哪些成分;同時(shí)還有低層次的目標(biāo)，比如如何拿到這些成分。通常，低層次目標(biāo)的可行性會影響高層次目標(biāo)，比如拿到一種配料可能需要機(jī)器人打開冰箱門、移開幾樣擋在前面的東西。

對于人類來說，做到這些事情似乎是自然而然的。在已知的宇宙中，人類的大腦是最復(fù)雜的東西之一，擁有數(shù)以十億計(jì)的神經(jīng)元，每個神經(jīng)元都和數(shù)千神經(jīng)元相聯(lián)系。科學(xué)家已經(jīng)精確地找到大腦中負(fù)責(zé)特定任務(wù)的不同中心，但在領(lǐng)會神經(jīng)元網(wǎng)絡(luò)如何相互協(xié)作以完成這些任務(wù)方面，仍然缺乏有效的研究手段。

機(jī)器人“學(xué)做飯”

在這個實(shí)驗(yàn)中，研究人員為人工智能系統(tǒng)準(zhǔn)備了一個真實(shí)的視頻演示，他們讓它學(xué)習(xí)一個有著24個任務(wù)的烹飪目標(biāo)，關(guān)于一個人類廚師準(zhǔn)備倒入配料，這些配料最初被三個物體阻擋，包括一個餅干盒、一個芥末瓶和一個糖盒。

研究人員說，他們的完整模型明確地對演示中的物體進(jìn)行了運(yùn)動推理，因此不會盲目地把所有的物體運(yùn)動都當(dāng)作故意的。

此外，他們注意到，它使模仿學(xué)習(xí)在不同的環(huán)境中成為可能。盡管視頻中的人操作了一個對象（即糖盒），系統(tǒng)還是成功歸納了正確的目標(biāo)。雖然糖盒出現(xiàn)在廚房里，但機(jī)器人意識到它不需要移動它，因?yàn)樘呛胁]有擋住所需的配料。

“我們的研究結(jié)果表明，這使得我們能夠顯著地超越之前的方法，即基于運(yùn)動規(guī)劃或任務(wù)規(guī)劃來推斷目標(biāo)，”合著者寫道。

這項(xiàng)研究將有利于人工智能在往通用人工智能發(fā)展的道路上更進(jìn)一步。

此前，美國威斯康星大學(xué)麥迪遜分校的一個研究小組已經(jīng)在機(jī)器人模仿人類敲雞蛋、擰瓶蓋、擺放盤子方面取得了進(jìn)展，市面上也已出現(xiàn)了不少能夠根據(jù)預(yù)設(shè)菜譜做飯的機(jī)器人，還有會研究餡餅食譜的機(jī)器人、能制作飯團(tuán)和壽司的機(jī)器人等。

或許有一天機(jī)器人真的能走入我們的家中，像家人一樣為我們做出各種各樣的美食。