機器人是一種顛覆現實世界的創新，但在它們特定的領域之外，它們的用處是非常有限的。因此，靈活性是一個不斷研究的領域。三款新的機器人裝置展示了它們可以進化到適應新情況的方式：摔倒后可以借助兩只“手”站起來，以及理解他們從未見過的視覺指令。

這些機器人都是獨立研發的，今天將在《科學機器人》(Science Robotics)專門研究學習的專刊上發表。每一款機器人都傳達出：機器人可以改善他們與現實世界的互動。

能夠用“手”敏捷抓取物體的機器人

首先是在工作中使用正確工具的問題。由于人類的手指的靈活性以及多功能性，我們可以很容易完成這個任務。我們能夠從我們的生活經驗中理解我們需要用鉗子夾起這個輕的物體或者我們需要借助工具才能搬動這個重物等等。

當然，機器人沒有這方面的固有知識，這會讓事情變得困難；它可能不理解它無法拾起某種給定大小、形狀或紋理的東西。伯克利的機器人專家開發了一種新系統，它可以作為一種基本的決策過程，將物體分為能用普通鉗子夾住或用吸盤夾住的兩類。

一個在手臂末端同時安裝這兩種工具的機器人，可以通過使用基于深度的圖像來決定抓取什么物品應該使用什么工具；測試結果表明，即使是在成堆的物體，其可靠性也非常高，這是以前從未見過的。

它是通過神經網絡來完成的，這個神經網絡部署了數百萬個關于物品、安排和試圖獲取它們的數據點。如果你想用吸盤抱起一只泰迪熊，但前一萬次都失敗了，你還會繼續嘗試嗎？這個系統能夠學會了做出此類的決定，這樣的事情對于在倉庫完成挑選任務的機器人來說是非常重要的。

有趣的是，伯克利的Ken Goldberg在一封電子郵件中解釋道，由于復雜神經網絡的“黑盒”性質，很難確切地說出Dex-Net 4.0的選擇實際上是基于什么，盡管有一些明顯的偏好。神經網絡的“黑箱子”是指：一般來說， 神經網絡是一連串神經層所組成的把輸入進行加工再輸出的系統。中間的加工過程就是我們所謂的黑盒。

他寫道：“我們從經驗上發現，，遠離邊緣的光滑平面通常在吸力模型中得分較高，而對映點在抓取模型中得分較高。”

現在可靠性和通用性都很高了，下一步是速度；Goldberg說，該團隊正在“研究一種令人興奮的新方法”來減少網絡的計算時間，毫無疑問，這將在未來的論文中被敘述。

摔倒后能夠站起來的機器人

四肢行走的機器人已經很靈活了，它們能自信地處理各種地形。但是當他們摔倒的時候，基本就是災難區。一般來說，他們靠自己是沒法重新站起來的。

這些機器人的腿的配置方式使得它們很難完成在直立方式下能做到的事情。不過，由蘇黎世聯邦理工學院(ETH Zurich)開發的機器人ANYmal配備一個更多功能的裝置，可以讓它的腿獲得額外的自由度。

這個額外的自由度有什么用？可以做各種事情。但是要找出機器人運動的最佳方式來達到速度和穩定性的最大化是非常困難的。那么，為什么不使用模擬來同時測試數千個奇跡人可能遇到的不同場景，并將其結果用于現實世界呢？

這種基于模擬的學習并不總是有效，因為現在還不可能準確地模擬所有涉及到的物理現象。但是它可以產生非常新穎的行為，或者簡化人類認為已經是最優的行為。

無論如何，蘇黎世聯邦理工學院的研究人員的新研究不能僅讓機器人跑得更快，還教會了它一個驚人的新技巧：從跌倒中爬起來。不管怎么跌倒都能爬起來。聽起來很優秀吧！

令人驚奇的是，這個機器人發明了一種基本的技術，可以從幾乎任何可能的摔倒中站起來。記住，這不是人們設計出來的——是模擬和進化算法通過反復嘗試數千種不同的行為，并保持那些有效的行為而得到的。

能夠讀懂抽象指令并與現實世界連接起來的機器人

假設給你三個碗，中間那個碗里有紅球和綠球。然后給你一張紙：

人類具有大腦，你根據這張紙上的指示，你就會明白綠色和紅色的圓圈代表著這些顏色的球，紅色的要往左，綠色的要往右。

這是一種人類應用大量知識和直覺理解卻沒有意識到的事情。你是怎么決定用圓圈來代表這些球的？因為形狀？那么為什么箭頭不指向“真正的”箭頭呢？你怎么知道向右或向左走多遠？你怎么知道這張紙上的內容就是告訴你某種規則？你可以在瞬間解決所有的問題，但任何一個問題都可能難倒機器人。

研究人員已經邁出了一小步，他們希望能夠將上述抽象的表象與現實世界聯系起來，而這一任務涉及到大量的機器創造力或想象力。

在圖中的白色背景上的綠點與現實世界中黑色背景上的綠色圓形物之間建立連接并不明顯，但由Miguel Lázaro-Gredilla和他的同事在Vicarious AI創造的“視覺認知計算機”似乎表現的就很不錯。

當然，它現在還非常不完善，但在理論上，它是人們用來組裝一件宜家家具的相同工具集：查看一個抽象的表示，將它與現實世界的對象連接起來，然后根據指令操作這些對象。我們離這個目標還有好幾年的時間，但就在不久前，我們離機器人自己從跌倒中爬起來，或者決定用吸盤或鉗子更好地撿起東西還有好幾年的時間。