機器狗通過深度強化學習，已具備一定的推理和決策能力。騰訊供圖

(資料圖片僅供參考)

深圳新聞網(wǎng)2023年6月15日訊（深圳商報記者 陳姝）6月14日，騰訊Robotics X機器人實驗室公布了智能體研究的最新進展，通過將前沿的預(yù)訓練AI模型和強化學習技術(shù)應(yīng)用到機器人控制領(lǐng)域，讓機器狗Max的靈活性和自主決策能力得到大幅提升。

讓機器狗像人和動物一樣靈活且穩(wěn)定地運動，是機器人研究領(lǐng)域長期追求的目標，深度學習技術(shù)的不斷進步，使得讓機器通過“學習”來掌握相關(guān)能力，學會應(yīng)對復雜多變的環(huán)境變得可行。

預(yù)訓練和強化學習

靈活應(yīng)對復雜環(huán)境

騰訊Robotics X機器人實驗室通過引入預(yù)訓練AI模型和強化學習技術(shù)，可以讓機器狗分階段進行學習，靈活應(yīng)對復雜環(huán)境。

第一階段通過游戲技術(shù)中常使用動作捕捉系統(tǒng)，研究員收集真狗的運動姿態(tài)數(shù)據(jù)，包括走、跑、跳、站立等動作，并利用這些數(shù)據(jù)，在仿真器中構(gòu)建了一個模仿學習任務(wù)，再將這些數(shù)據(jù)中的信息抽象并壓縮到深度神經(jīng)網(wǎng)絡(luò)模型中。

在模仿學習的過程中，神經(jīng)網(wǎng)絡(luò)模型僅接收機器狗本體感知信息作為輸入，例如機器狗身上電機狀態(tài)等。再下一步，模型引入周邊環(huán)境的感知數(shù)據(jù)，例如可以通過其他傳感器“看到”腳下的障礙物。

第二階段，通過額外的網(wǎng)絡(luò)參數(shù)來將第一階段掌握的機器狗靈動姿態(tài)與外界感知聯(lián)系在一起，使得機器狗能夠通過已經(jīng)學會的靈動姿態(tài)來應(yīng)對外界環(huán)境。當機器狗適應(yīng)了多種復雜的環(huán)境后，這些將靈動姿態(tài)與外界感知聯(lián)系在一起的知識也會被固化下來，存在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中。

第三階段，利用上述兩個預(yù)訓練階段獲取的神經(jīng)網(wǎng)絡(luò)，機器狗才有前提和機會來聚焦解決最上層的策略學習問題，最終具備端到端解決復雜的任務(wù)的能力。

障礙追逐游戲

模擬人類的推理方式

為了測試Max所掌握的這些新技能，研究員受到障礙追逐比賽“World Chase Tag”的啟發(fā)，設(shè)計了一個雙狗障礙追逐的游戲。

在機器狗障礙追逐比賽中，游戲場地大小為4.5米×4.5米，其中散落著一些障礙物。游戲起始，兩個MAX機器狗會被放置在場地中的隨機位置，且隨機一個機器狗被賦予追擊者的角色，另一個為躲避者，同時，場地中會在隨機位置擺放一個旗子。

追擊者的任務(wù)是抓住躲避者，躲避者的目的則是在保證不被抓到的前提下去接近旗子。如果躲避者在被抓到之前成功觸碰到旗子，則兩個機器狗的角色會瞬間發(fā)生互換，同時旗子會重新出現(xiàn)在另一個隨機的位置。

從這個游戲看來，在基于預(yù)訓練好的模型下，機器狗通過深度強化學習，已經(jīng)具備一定的推理和決策能力：

比如，當追擊者意識到自己在躲避者碰到旗子之前已經(jīng)無法追上它的時候，追擊者就會放棄追擊，而是在遠離躲避者的位置徘徊，目的是為了等待下一個重置的旗子出現(xiàn)。

據(jù)介紹，游戲中機器狗的所有控制策略都是神經(jīng)網(wǎng)絡(luò)策略，在仿真中進行學習并通過zero-shot transfer(零調(diào)整遷移），讓神經(jīng)網(wǎng)絡(luò)模擬人類的推理方式，來識別從未見過的新事物，并把這些知識部署到真實機器狗上。

騰訊Robotics X機器人實驗室長期致力于機器人前沿技術(shù)的研究，以此前在機器人本體、運動、控制領(lǐng)域等領(lǐng)先技術(shù)和積累為基礎(chǔ)，研究員們也在嘗試將前沿的預(yù)訓練模型和深度強化學習技術(shù)引入到機器人領(lǐng)域，提升機器人的控制能力，讓其更具靈活性，這也為機器人走入現(xiàn)實生活，服務(wù)人類打下了堅實的基礎(chǔ)。

關(guān)鍵詞：