機械人學習

機械人學習（英語：Robot learning）是機械人學和機器學習的交叉研究領域^[1]。較之其他機器學習算法的應用領域，機械人系統具有訓練成本高、包括傳感器在內的硬件限制、與外界進行物理交互、交互環境持續動態變化等難點，因而對機械人學習提出了特定的要求^[2][3]。

目前，對於機械人學習算法的涵蓋範圍，各研究組織沒有統一界定，有的認為機械人學習旨在設計算法使得各類機械人本體實現「學習」^[2]，有的則認為將各類機器學習算法集成於機械人上都算作機械人學習^[4][3]。同此隨着機器學習領域的快速發展，機械人學習也不斷出現新的研究方向^[4]。

研究方向

對於機械人學習，IEEE機械人和自動控制協會（英語：IEEE Robotics and Automation Society）下屬的機械人學習技術委員會總結的研究方向為^[1]：

• 學習機械人本體、機械人任務或機械人環境的模型
• 學習下至傳感器、電機等硬件，上至抽象任務的層次表示
• 使用模仿學習（imitation learning）或強化學習的方法來學習機械人的任務決策或控制策略
• 將學習算法與機械人本體的控制架構結合
• 使用統計推斷方法分析多模態傳感器信息
• 對機械人的時空信息進行表徵學習
• 發展型機械人（英語：Developmental robotics）和基於進化算法的機械人學習

自2017年起，Sergey Levine（加州伯克利）、肯·戈德堡（加州伯克利）、Vincent Vanhoucke（谷歌大腦）等一眾高校和研究所學者開始組織機械人學習會議（英語：Conference on Robot Learning），其中第一屆的徵稿主題範圍包括^[5][6]：

• 強化學習
• 模型學習和控制
• 狀態估計；地圖構建；計算機視覺
• 多模態感知與傳感器融合
• 基於學習的人與機械人交互；處理自然語言指令
• 在機械臂、移動機械人、自動駕駛、無人機等領域的應用
• 仿生學習與控制