人類和動物在學習新行為時，大部分只需要觀察一次就能學會，然而想讓機器人學習就沒那么容易了。隨著計算機視覺的發展，目前的技術能讓機器人依靠人體姿勢檢測系統，模仿人類的動作進行學習。不過每次都需要人類“做示范”未免有些麻煩，本篇論文的研究人員們想出了新方法：讓機器人通過一段只有一個人的視頻來模仿學習。
此前的研究表明，機器人能通過觀察示范學習一系列復雜的技能，例如倒水、打乒乓球、打開抽屜等。然而，機器人模仿最有效的方法與人類學習有很大的不同：機器人通常需要接到具體的動作示范或遙控操作，人類只需看別人做一遍就能了解。另外，人類還能根據環境變化改變策略，適應新情況。所以，我們怎樣能讓機器人像人類一樣，通過觀察第三方示范進行學習？
從原始視頻中獲得技能存在兩大挑戰。首先，人類演示者和機器人的外觀及形態的差異會帶來系統性的域轉移，即對應問題（correspondenceproblem）。其次，從原始視覺輸入中學習通常需要大量數據，深度學習視覺系統一般要使用數十萬至數百萬的圖像。而在本文中，我們展示了通過基于元學習的單一方法解決這兩個挑戰。
前期準備
該方法建立在之前的工作成果或者元學習的基礎上，我們將對模型元學習算法進行擴展，它能夠處理提供的數據和評估設置之間的域轉移。
元學習算法能快速有效地學習新任務，一般來說，元學習可以看作是發現任務之間存在的結構的功能。當模型從元測試集中提出新任務時，模型可以使用已知結構快速學習。算法通過對深度網絡的初始參數設置進行優化來實現這一點。在元訓練之后，根據新任務的數據對學習參數進行微調。
模仿人類
在這一部分，我們將說明機器人一次性模仿人類學習的問題，并介紹我們的試驗方法。從含有人類的視頻中進行學習可以看做是一個推理問題，其目標是推斷機器人的策略參數，它能將先驗知識與少量證據結合來完成任務。為了從只有一個人的視頻中有效學習，我們需要包含著對世界有著豐富視覺和物體理解的先驗知識。
而試驗方法包括兩個階段，在元訓練階段，我們需要利用人類和機器人的動作數據獲取先驗知識，然后通過快速學習模仿動作。這一方法的關鍵部分在于，它可以遷移到其他元學習算法中去。如MAML算法一樣，我們將學習一系列初始參數，在經歷過幾次梯度下降后，模型還能有效地完成新任務。最終用于元目標的算法可以總結為：
在元訓練階段之后，學習到的先驗知識將用于第二階段。當機器人模仿人類的新動作時，必須將先驗知識與新的人類示范動作結合，來推斷解決新任務的策略參數。算法總結為：
時序適應目標學習
為了從人的視頻中學習，我們需要一個適應目標，可以有效地捕捉視頻中的相關信息，比如人的意圖和與任務有關的對象。由于時序卷積在處理時序和數據序列時是有用的，所以我們選擇用一個卷積網絡表示適應目標。效果如圖所示：
網絡架構
如圖所示，網絡架構是一個卷積神經網絡，將RGB圖像映射到動作分布。卷積網絡從幾個卷積層開始，然后被輸送到通道空間的argmax中，為每個通道提取二維特征點f。接著我們將這些特征點與機器人結構連接在一起，該結構包括夾具上的3個非軸對齊的點。然后，我們將連接的特征點和機器人姿態傳遞給多個完全連接層。
實驗過程
我們的實驗主要想解決三個問題：
我們的方法能否有效地學習先驗知識，讓機器人能夠通過僅有一人的視頻學習操作新物體？
我們的方法能否從新的角度讓機器人模仿人類動作？
我們所提出的方法與元學習方法以及其他方法有何不同？
為了進一步了解我們的方法以及其實用性，我們還要另外評估：
時序適應目標有多重要？
我們的方法能否用于多個機器人平臺，以及用于動作或遙控示范的元訓練？
為了進行評估，我們在7軸的PR2機械臂和Sawyer機器人上進行實驗。
顏色分揀機器人PR2實驗過程
首先是用機械臂PR2進行物體的放置、前推、撿拾等動作的測試，具體過程如圖：
從左至右分別是：物體放置、推動以及撿拾-放下動作。上面一排是人類示范
整個過程的裝置情況是這樣的：
最后，PR2一次學習的評估情況展示在下表中，可以看到成功率大大高于之前的方法：
另外，研究人員還統計了PR2在做“推動”時發生的錯誤：
Sawyer實驗過程
垃圾分揀機器人在哪里買實驗的另一個目標是我們的方法能否應用于別的平臺上，于是我們選擇了7個自由度的Sawyer進行驗證。不同與PR2實驗，動作空間將是末端執行器的單個指令姿態，我們將使用均方誤差作為外部的元目標。
最終，在使用時序適應目標的實驗中，成功率比沒有使用的提高了14%，證明了從視頻中學習時融合時間信息的重要性。
實驗的局限性
閃兔分揀機多少錢雖然我們的工作成果能讓機器人從視頻中一次性學習操作新的物體，但是目前的實驗還沒有證明模型能夠一次性學習全新動作。希望未來有更多的數據和更高性能的模型能實現這一目標。
平面物體分揀機器人快遞分揀機器人是哪家公司生產的國產分揀機器人供應商