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

在模仿人類的動作時，機器人經(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、斯坦福大學、伊利諾伊大學香檳分校、多倫多大學和英偉達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為條件的視頻演示來評估他們的技術，該團隊報告稱，他們的動作推理方法將任務成功提高了20%以上。

動作推理

動作推理能夠使得機器人在完全不同的環(huán)境中計劃執(zhí)行、復制相同的目標。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變得模糊。

在這種情景下，僅僅識別一個動作是不夠的，因為一個任務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計算機科學與人工智能實驗室就有一個“自主機器人的任務和運動規(guī)劃”項目，表明“我們的目標是設計算法，使機器人能夠在人類環(huán)境中操作，同時推理高級任務動作和低級動作”，例如，讓一個機器人在家庭廚房中自主做飯。

為了完成這樣的任務，它必須考慮高層次的目標，比如需要哪些成分;同時還有低層次的目標，比如如何拿到這些成分。通常，低層次目標的可行性會影響高層次目標，比如拿到一種配料可能需要機器人打開冰箱門、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，人類的大腦是最復雜的東西之一，擁有數(shù)以十億計的神經(jīng)元，每個神經(jīng)元都和數(shù)千神經(jīng)元相聯(lián)系?？茖W家已經(jīng)精確地找到大腦中負責特定任務的不同中心，但在領會神經(jīng)元網(wǎng)絡如何相互協(xié)作以完成這些任務方面，仍然缺乏有效的研究手段。

機器人“學做飯”

在這個實驗中，研究人員為人工智能系統(tǒng)準備了一個真實的視頻演示，他們讓它學習一個有著24個任務的烹飪目標，關于一個人類廚師準備倒入配料，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行了運動推理，因此不會盲目地把所有的物體運動都當作故意的。

此外，他們注意到，它使模仿學習在不同的環(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。雖然糖盒出現(xiàn)在廚房里，但機器人意識到它不需要移動它，因為糖盒并沒有擋住所需的配料。

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

這項研究將有利于人工智能在往通用人工智能發(fā)展的道路上更進一步。

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

或許有一天機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。