机器人学习

预编程机器人使用固定指令在设定环境中运行，这限制了其对意外变化的适应能力。

AI 机器人通过基于仿真的学习解决了这些限制，使它们能够在动态条件下自主感知、规划和行动。通过机器人学习，它们可以利用学习到的策略（导航、操作等行为集）来获取和完善新技能，以改善它们在各种情况下的决策能力。

基于仿真的机器人学习的优势

灵活性和可扩展性

使用来自机器人捕获的真实数据和仿真中的合成数据的各种数据源，针对真实场景迭代、优化和部署机器人策略。这适用于任何机器人具身，如自主移动机器人 (AMR)、机械臂和人形机器人。基于“sim-first”的方法还可以让您快速并行训练数百或数千个机器人实例。

加速技能开发

在仿真环境中训练机器人以适应新的任务变化，而无需对物理机器人硬件重新编程。

物理精准的环境

轻松模拟物理因素，例如物体相互作用（刚性或可变形）、摩擦等，以显著减少仿真与现实的差距。

安全的验证环境

测试潜在的危险场景，而不会危及人员安全或损坏设备。

降低成本

通过生成大量合成数据、在仿真环境中验证经过训练的机器人策略并加速在机器人上部署，避免真实世界中的数据采集和标记成本的负担。

机器人学习算法

机器人学习算法（例如模仿学习或加强学习）可以帮助机器人泛化学习技能并在不断变化或新颖的环境中提高性能。有若干学习技术包括：

• 强化学习：一种试错方法，机器人将根据其采取的行动得到奖励或惩罚。
• 模仿学习：机器人可以从人类的任务演示中学习。
• 监督式学习：可以使用标记数据训练机器人以学习执行特定任务。
• 扩散策略：机器人使用生成式模型来构建和优化机器人操作，以获得期望的结果。
• 自我监督式学习：当已标记的数据集有限时，机器人可以根据未标记的数据生成自己的训练标签，以提取有意义的信息。