OpenAI 机器人研讨会 2019

OpenAI 于 2019 年 4 月 27 日举办了首次机器人研讨会，旨在创建一个多学科平台，以交流构建复杂机器人系统的想法。会议聚焦于创建能够学习的机器人这一目标，OpenAI 将其视为将机器人融入日常生活的主要路径。

机器人学习的技术方法

多位研究者展示了实现机器人获取技能并适应环境的多样方法：

Wojciech Zaremba（OpenAI）展示了题为 “Learning Dexterity” 的研究，该研究利用带有域随机化的 sim2real 和大规模强化学习以及记忆增强策略。此方法实现了元学习，使得策略能够迁移到实体机器人上，而无需在实际硬件上进行训练。

Pierre Sermanet（Google Brain）描述了一种方法，利用 “游戏” 为表征学习提供自监督。这使得机器人能够获得多样化的技能集合，并可重新组合以解决新任务，无需显式标签或奖励。

Leslie Kaelbling（MIT）讨论了一种构建智能机器人的架构，区分在 “机器人工厂”（工程时间）中的学习和在 “野外”（部署时间）中的学习，以促进新技能的获取。

Jeff Clune（Uber AI / University of Wyoming）详细介绍了发表在 Nature 上的工作，涉及能够在运行时快速适应损伤的机器人，从而提升其对意外环境条件或物理故障的韧性。

研讨会上呈现的研究聚焦于实现机器人安全且具社交直觉的路径：

Anca Dragan（UC Berkeley）提出了一个预测人类动作的框架，超越了人类是 “噪声理性” 的假设。她的框架考虑了战略性的人类行为和系统性次优性，例如人类对环境物理的不了解或偏好随时间演变。

Jin Joo Lee（MIT / Amazon）探讨了利用社交情感智能使机器人更具生命感。这涉及机器人能够解读人类情感表达，并使用类似的情感线索进行交流。

Chris Atkeson（CMU）对机器人学习研究与实际机器人编程实践之间的差距进行了批判性分析，讨论了使学习型机器人在实际应用中真正有用所需的条件。

作为活动的一部分，OpenAI 现场演示了一个类人机器人手操控方块的过程。系统利用视觉和强化学习完成了该任务。

OpenAI 报告称，研讨会带来了对传统机器人学与深度学习机器人学之间张力的新内部视角，以及关于自监督的新想法。组织计划重复这种形式，可能作为年度活动，以促进对解决机器人问题的多样方法的共同理解。