人类无需任何明显的思考就可以从书架上拿起一本书。但这对大脑来说是一个复杂的过程，涉及计划和绕过障碍物，就像其他书籍或小摆设一样。当机器人研究人员的系统执行类似任务时，他们一直在努力复制这种人类运动。训练机器人在不撞到任何障碍物的情况下将物体从一个点移动到另一个点的过程称为运动规划，这需要时间和资源，因为机器人无法像人类一样在未知环境中做出动态反应。

卡内基梅隆大学机器人研究所 (RI) 的一个团队开发了神经运动规划帮助改善机器人在新环境中的反应。数据驱动的方法使用单一的多功能人工智能网络在各种不熟悉的家庭环境（如橱柜、洗碗机和冰箱）中执行运动规划。

“有时，当你部署机器人时，你希望它在非结构化或未知的环境中运行，在这些环境中你不能假设你知道一切，”RI 博士生 Murtaza Dalal 说。“这就是这些经典运动规划方法失败的地方。一个大问题是这些算法非常慢，因为它们必须进行数千次甚至数百万次碰撞检查。”

神经运动规划的灵感来自于人类如何收集不同的经验来练习并逐渐提高熟练程度。当获得新技能时，人类从缓慢、不确定的行为开始，逐渐发展到快速、动态的动作。神经运动规划使机器人能够在陌生的环境中发挥更大的作用，并在移动物体时进行普遍适应。

研究人员模拟了数百万个复杂环境来训练神经运动规划。在这些模拟中，机器人会遇到家庭环境——架子、小房间、微波炉、洗碗机、打开的盒子和橱柜——有时还必须在随机物体周围移动，比如小狗或花瓶。这些模型经过训练可以快速响应运动规划。这个过程和数据是按照通用策略提炼出来的，因此当机器人部署在现实世界中时，它可以在与之前所见过的不同环境中执行任务。

“我们在大规模视觉和语言学习方面取得了惊人的成功——想想 ChatGPT——但在机器人技术方面还没有。”RI 的 Raj Reddy 助理教授 Deepak Pathak 说。“这项工作是实现这一目标的垫脚石。神经运动规划使用模拟中大规模学习的简单方法，在现实世界中产生很大程度的泛化。它适用于具有不同背景、物体、障碍物甚至整个场景的场景。场景安排。”

当在实验室的机械臂上使用时，神经运动规划成功地导航了不熟悉的环境。机器人系统获得了场景起点的三维表示，该起点是使用深度相机创建的，并给出了目标位置——研究人员希望机械臂最终到达的位置。然后，神经运动规划提供了关节配置机械臂从起点移动到终点。“令人兴奋的是，看到一个模型能够巧妙地避开各种家庭障碍物，包括灯具、植物、书柜和柜门，同时移动机器人手臂来完成任务，”RI 硕士生杨嘉辉说。

“这一壮举是通过大规模扩展数据生成实现的，遵循视觉和语言机器学习成功的类似秘诀。”