人類無需任何明顯的思考就可以從書架上拿起一本書。但這對大腦來說是一個複雜的過程，涉及計劃和繞過障礙物，就像其他書籍或小擺設一樣。當機器人研究人員的系統執行類似任務時，他們一直在努力複製這種人類運動。訓練機器人在不撞到任何障礙物的情況下將物體從一個點移動到另一個點的過程稱為運動規劃，這需要時間和資源，因為機器人無法像人類一樣在未知環境中做出動態反應。

卡內基美隆大學機器人研究所 (RI) 的團隊開發了神經運動規劃幫助改善機器人在新環境中的反應。數據驅動的方法使用單一的多功能人工智慧網路在各種不熟悉的家庭環境（如櫥櫃、洗碗機和冰箱）中執行運動規劃。

「有時，當你部署機器人時，你希望它在非結構化或未知的環境中運行，在這些環境中你不能假設你知道一切，」RI 博士生 Murtaza Dalal 說。「這就是這些經典運動規劃方法失敗的地方。一個大問題是這些演算法非常慢，因為它們必須進行數千次甚至數百萬次碰撞檢查。”

神經運動規劃的靈感來自於人類如何收集不同的經驗來練習並逐漸提高熟練程度。當獲得新技能時，人類從緩慢、不確定的行為開始，逐漸發展到快速、動態的動作。神經運動規劃使機器人能夠在陌生的環境中發揮更大的作用，並在移動物體時進行普遍適應。

研究人員模擬了數百萬個複雜環境來訓練神經運動規劃。在這些模擬中，機器人會遇到家庭環境——架子、小房間、微波爐、洗碗機、打開的盒子和櫥櫃——有時還必須在隨機物體周圍移動，例如小狗或花瓶。這些模型經過訓練可以快速回應運動規劃。這個過程和數據是按照通用策略提煉出來的，因此當機器人部署在現實世界中時，它可以在與之前所見過的不同環境中執行任務。

「我們在大規模視覺和語言學習方面取得了驚人的成功——想想 ChatGPT——但在機器人技術方面還沒有。」RI 的 Raj Reddy 助理教授 Deepak Pathak 說。「這項工作是實現這一目標的墊腳石。神經運動規劃使用模擬中大規模學習的簡單方法，在現實世界中產生很大程度的泛化。它適用於具有不同背景、物體、障礙物甚至整個場景的場景。

當在實驗室的機械手臂上使用時，神經運動規劃成功地導航了不熟悉的環境。機器人系統獲得了場景起點的三維表示，該起點是使用深度相機創建的，並給出了目標位置——研究人員希望機械手臂最終到達的位置。然後，神經運動規劃提供了關節配置機械手臂從起點移動到終點。「令人興奮的是，看到一個模型能夠巧妙地避開各種家庭障礙物，包括燈具、植物、書櫃和櫃門，同時移動機器人手臂來完成任務，」RI 碩士生楊嘉輝說。

“這一壯舉是通過大規模擴展數據生成實現的，遵循視覺和語言機器學習成功的類似秘訣。”