英國研究人員開發出一種新型基於 AI 的訓練方法，幫助機械人將模擬環境中習得的技能轉移至現實世界，所需實體測試大幅減少。此方法可降低工業任務訓練的成本與風險，例如電池回收、製造業及危險作業。該系統由 Aston University 及 University of Birmingham 的研究人員共同開發，針對機器人領域長期存在的「模擬到現實差距」（sim-to-real gap）問題。
該問題源於在虛擬模擬中訓練的機械人，於現實環境中表現不可靠，因為物理環境包含不可預測變數，如感測器雜訊、材料變化或意外力道。
縮小模擬差距
為解決此問題，研究人員利用 AI 在機械人訓練期間產生環境條件變化，讓機械人部署至模擬外時能更有效適應。團隊表示，此方法結合模擬的速度與效率，以及少量現實世界訓練數據，減少昂貴或潛在危險測試的需求。機械人現可先在虛擬環境學習複雜任務，再於現實環境精煉技能。研究人員以涉及材料物理互動的操縱及切割任務示範此方法。據團隊所述，系統能實現更穩定及適應性的機械人行為，而無需大量現實世界數據收集。
「透過 AI 產生條件變化，新訓練技術讓機械人更可靠地將模擬習得技能轉移至現實世界，只需少量現實數據，」研究人員在聲明中解釋。此技術對直接測試困難或不安全的行業特別有用，例如鋰電池回收，機械人需在損壞或危險電池單元周圍作業。
該研究獲 REBELION 計劃支持，由 UK Research and Innovation 資助，屬歐洲自動化及安全鋰電池回收系統廣泛努力的一部分。
研究人員相信，此系統最終可助打造即插即用工業機械人，部署前只需最少重新配置。「此研究顯示，我們可超越純模擬訓練，在現實條件下實現可靠表現，只需最少額外數據，」Aston University 應用 AI 及機器人助理教授 Alireza Rastegarpanah 博士表示。「我們的長期願景是實現可在模擬訓練並快速部署至新環境的即插即用智能機械人系統，只需最少重新配置，」他補充。
研究人員指，此方法可加速先進製造、回收系統及自主工業作業的機器人開發。減少對廣泛實體測試的依賴，亦可縮短開發時程並降低部署機械人系統的營運成本。團隊現計劃進一步精煉此方法，應用於機械人須在不確定或變化條件下運作的更廣泛工業領域。研究刊登於 Scientific Reports。