DARPA利用机器常识改善机器人智能水平

DARPA官方网站宣布，2018年启动的机器常识（MCS，Machine Common Sense）计划获得了较大的进展，研究人员在多次实验过程中展示了对机器人系统性能的一系列改进，这推动了机器人在战场环境下的实际应用。

正如婴儿必须从经验中学习一样，机器常识试图构建模拟儿童认知核心领域的计算模型，以了解对象（直觉物理）、代理（有意行为者）和地点（空间导航）。

数字孪生战场实验室对机器常识项目保持关注，如果该项目有了突破，意味着战场环境和作战人员的交互有了可能，这对于构建“数字孪生靶场”具有重要意义。

机器学习的最新进展创造了新的人工智能功能，但跨这些应用程序的机器推理仍然狭窄且高度专业化。当前的机器学习系统必须针对每种情况进行仔细培训或编程。

常识被定义为“感知、理解和判断几乎所有人（'共同'）共享的事物的基本能力，并且几乎所有人都可以合理地预期而无需辩论。”

缺乏常识会阻碍智能系统理解他们的世界、在不可预见的情况下合理地表现、与人自然交流以及从新经验中学习。它的缺席被认为是当今狭隘的人工智能应用与未来希望的更通用的类人人工智能系统之间最重要的障碍。

机器常识计划采用两种广泛的策略。

第一个策略旨在创建一种从经验中学习的服务，例如儿童，以构建模拟儿童对物体（直觉物理）、代理（有意行为者）和地点（空间导航）认知核心领域的计算模型。

第二种策略旨在开发一种从阅读网络中学习的服务，例如研究图书馆员，以构建一个能够回答自然语言和基于图像的关于常识现象的问题的常识知识库。

仅使用模拟训练，最近的机器常识实验证明了系统能力的进步，机器人已经能够理解如何抓住物体和适应障碍，到改变各种目标的速度/步态。

DARPA 信息创新办公室机器常识项目经理 Howard Shrobe 表示，“这些实验是重要的里程碑，使我们更接近于构建和部署具有通用运动能力的强大机器人系统。” “原型系统不需要大型传感器套件来处理现实世界中可能发生的意外情况。”

在一项实验中，加州大学伯克利分校的研究人员开发了一种快速运动适应 (RMA) 算法，该算法允许四足机器人快速适应不断变化的地形。使用 RMA 算法和本体感受反馈（自我运动和身体位置的感觉），机器人成功地在一系列真实世界和模拟地形中导航。

该算法完全在模拟中进行训练，无需使用任何领域知识，如参考轨迹或预定义的足部轨迹生成器，并且无需任何微调即可部署。实时地形适应对于四足机器人帮助军事单位进行承载和传感至关重要。

俄勒冈州立大学的研究人员展示了双足机器人学习如何仅通过本体感受反馈来承载动态负载的能力。这个名为 Cassie 的机器人在模拟到真实的学习环境中学习常识行为。Cassie 调整其步态以适应负载动态的变化，例如晃动液体或平衡重物。经过模拟训练后，Cassie 能够在四种不同类型的动态负载下在跑步机上行走几分钟。相比之下，在学习常识训练之前，卡西立即倒下了。

在自然环境中，人类会遇到各种各样的可能工具、工具变体和对象。这种多样性对机器人提出了挑战。他们必须预见到所有功能的可能性，这就是为什么为预定义的一组对象配备通用抓取能力而不是专门能力很重要的原因。

作为俄勒冈州立大学机器常识团队的一员，犹他大学的研究人员开发了一种主动的抓取学习算法，该算法允许具有多指手的机器人在完全接受模拟训练时灵巧地抓取以前看不见的物体。

与现有被动学习方法的 78% 相比，新方法使机器人能够以高于 93% 的真实世界成功率抓取新物体。

机器常识中的另一个技术领域旨在开发从阅读网络中学习的计算工具，例如研究图书馆员，以构建能够回答有关常识现象的自然语言和基于图像的问题的常识知识库。

华盛顿大学的机器常识研究人员和南加州大学信息科学研究所的两个团队目前正在使用多种方法，包括双曲线学习。该技术从大量视频中学习人类行为和物理的常识结构，以预测未来长达 30 秒的人类行为。

研究人员还在构建一个可扩展的、机器编写的符号知识库，它将提供更高质量、更大、更多样化的世界表示。

“通过关注常识，我们正在为系统创造具有人类学习灵活性和人类知识广度的可能性，”Shrobe 说。“将这些知识与先进的机器人技术相结合，可能会产生人类希望拥有的功能强大、任务关键的系统作为合作伙伴。”