工作中学习的机器人：自训练 AI 的兴起

挑战：弥合代码与现实之间的差距

传统上，为复杂的现实世界任务编程机器人一直很费力。机器人通常基于严格的代码或在模拟中广泛训练的模型运行。然而，现实世界是混乱且不可预测的。如果物体没有 точно 在预期位置，或者出现意外障碍物，则预编程的机器人可能会失败。虽然像强化学习 (RL) 这样的方法允许机器人通过试错来学习，但在物理世界中直接这样做可能速度慢、不安全且数据密集。纯粹在模拟中训练通常会受到“模拟到现实”差距的影响，即在虚拟环境中学习的策略无法完美地转移到物理现实中。这正是 EES 等算法发挥作用的地方，旨在赋予机器人在其工作环境中直接获得更强大、更具适应性的学习能力。

EES 详解：估计、外推、定位

EES 算法整合了大型语言模型 (LLM) 的优势——以其基于文本的推理和广阔的世界知识而闻名——以及实时机器人运动数据。例如，这种融合使家用机器人能够更有效地适应新任务和环境。但它是如何工作的呢？让我们分解一下名称：

• 估计 (Estimate)： 机器人不断评估其当前的物理状态及其与正在进行的任务的关系。例如，如果任务是清理桌子，它会估计“我拿着一个杯子”或“我的手是空的，并且靠近桌子。”
• 外推 (Extrapolate)： 机器人使用其对任务的理解（通常来自基于 LLM 的规划）及其当前状态，预测潜在的后续步骤及其结果。“如果我向前移动，我可以将杯子放在水槽中”，或者“如果我遇到障碍物，我需要找到替代路径。”
• 定位 (Situate)： 这个关键步骤涉及机器人将其当前状态和动作置于任务的更广泛目标中。它将其物理状态（“拿着杯子”）与 LLM 提供的自然语言标签或子目标（“将杯子运送到水槽”）联系起来。如果被打断（例如，需要暂时放下杯子以打开门），机器人会理解它并没有失败整个任务，而只是暂停了一个子任务。然后它可以逻辑地恢复，知道为什么它暂停了以及朝向最终目标（“清理桌子”）的下一步应该是什么。

这个循环允许机器人将复杂的家务分解为逻辑子任务。至关重要的是，如果被打断或面临意外情况，它们不一定需要重新启动整个过程。相反，它们可以在任务流程中重新估计、重新外推和重新定位自己，从而显着提高效率和弹性，尤其是在复杂的家务方面。

LLM 的力量：将“常识”注入运动

大型语言模型在增强这些自训练机器人的能力方面发挥着关键作用。这不仅仅是理解语言命令；LLM 提供了一种“常识”推理形式。通过将机器人的运动数据和传感器读数与 LLM 的知识库连接起来，该系统使机器人能够：

• 逻辑地分解任务： LLM 可以将“清洁厨房台面”等高级命令分解为一系列可操作的步骤（例如，识别杂物、拿起物品、擦拭表面）。
• 推理物体和环境： LLM 理解玻璃是易碎的，海绵是用来擦拭的，以及将电子产品放入水槽是一个坏主意。
• 优雅地处理歧义和中断： 如果机器人在清洁时遇到未知物体，LLM 可以帮助推断其可能的属性或建议询问人类。如果子任务失败，LLM 会帮助机器人理解上下文并尝试与总体目标相关的纠正措施。

这种集成自动化了识别和排序子任务的过程，简化了教授复杂行为的过程。它超越了运动数据中的简单模式匹配，增加了一个语义理解层，使机器人的行为更加灵活和适应性强，为需要最少人工指导的更通用和智能的家用机器人铺平了道路。

行动中的自训练和适应

EES 算法使机器人能够自主改进其技能并不断提高性能。通过不断地估计、外推和定位，它们可以更好地理解其行为如何影响环境。这使他们能够随着时间的推移做出更明智的决策。这种能力对于在家用机器人遇到用户家中不熟悉的物体或布局时尤其有价值。借助 EES，在新房子里执行餐桌布置任务的机器人可以调整其抓取策略以适应不熟悉的盘子或绕过意外的家具，从而修改其行为以成功完成任务，即使在以前从未见过的环境中也是如此。

对机器人产业的更广泛影响

像 EES 这样的自训练算法具有深远的影响。通过使机器人能够适应新环境和新任务而无需进行广泛的重新编程，这项技术可以显着降低部署成本并提高机器人系统在各个领域的通用性。医疗保健可以从适应家庭患者需求的助手、制造业可以从快速学习新的装配变体的机器人以及物流业可以从处理各种意外包裹或仓库布局的机器中受益。此外，人工智能和机器人的这种融合可以加速真正有用的家庭助理机器人的开发，通过在国内环境中提供适应性强、多功能的支持，有可能彻底改变老年人护理和康复服务。

挑战与未来之路

虽然前景广阔，但挑战依然存在。确保安全，尤其是在机器人在人类环境中自主学习时，至关重要。弥合模拟与现实之间的细微差异（模拟到现实的差距）仍然是一个积极研究的领域。在机器人上运行像 LLM 这样的复杂模型所需的计算资源以及对多样化现实世界训练数据的需求也提出了障碍。然而，进步是不可否认的。

结论：

总的来说，EES 算法和类似方法代表了机器人技术的新前沿。通过使机器人能够在工作中学习和适应，利用 LLM 的推理能力，我们正在朝着创造不仅是工具，而且是真正智能的合作伙伴的机器迈进。这项进步有可能在不久的将来不仅对家用机器人产生重大影响，而且对各行各业产生重大影响，使机器人更加强大、通用并融入我们的生活。