机器人学习

机器人学习（英语：Robot learning）是机器人学和机器学习的交叉研究领域^[1]。较之其他机器学习算法的应用领域，机器人系统具有训练成本高、包括传感器在内的硬件限制、与外界进行物理交互、交互环境持续动态变化等难点，因而对机器人学习提出了特定的要求^[2][3]。

目前，对于机器人学习算法的涵盖范围，各研究组织没有统一界定，有的认为机器人学习旨在设计算法使得各类机器人本体实现“学习”^[2]，有的则认为将各类机器学习算法集成于机器人上都算作机器人学习^[4][3]。同此随着机器学习领域的快速发展，机器人学习也不断出现新的研究方向^[4]。

研究方向

对于机器人学习，IEEE机器人和自动控制协会（英语：IEEE Robotics and Automation Society）下属的机器人学习技术委员会总结的研究方向为^[1]：

• 学习机器人本体、机器人任务或机器人环境的模型
• 学习下至传感器、电机等硬件，上至抽象任务的层次表示
• 使用模仿学习（imitation learning）或强化学习的方法来学习机器人的任务决策或控制策略
• 将学习算法与机器人本体的控制架构结合
• 使用统计推断方法分析多模态传感器信息
• 对机器人的时空信息进行表征学习
• 发展型机器人（英语：Developmental robotics）和基于进化算法的机器人学习

自2017年起，Sergey Levine（加州伯克利）、肯·戈德堡（加州伯克利）、Vincent Vanhoucke（谷歌大脑）等一众高校和研究所学者开始组织机器人学习会议（英语：Conference on Robot Learning），其中第一届的征稿主题范围包括^[5][6]：

• 强化学习
• 模型学习和控制
• 状态估计；地图构建；计算机视觉
• 多模态感知与传感器融合
• 基于学习的人与机器人交互；处理自然语言指令
• 在机械臂、移动机器人、自动驾驶、无人机等领域的应用
• 仿生学习与控制