一架小型无人机在一个空旷的地方进行了试飞，里面装满了随机放置的硬纸板管，作为树、人或建筑物的身体替身。控制无人机的算法已经在1000条充满障碍物的模拟路线上进行了训练，但这样的路线以前从未见过。飞机避开了前进道路上的所有障碍。
该实验为现代机器人技术中的关键挑战提供了一个测试平台：确保自动化机器人在新环境中运行的安全性和成功性。随着越来越多的工程师使用机器学习的方法来开发适应性强的机器人，普林斯顿大学研究人员的新工作在为机器人在各种障碍和约束下提供这样的保证方面取得了进展。
“在过去十年左右的时间里，机器学习在机器人领域获得了巨大的兴奋和进步，主要是因为它允许您处理丰富的感官输入，例如来自机器人摄像头的感官输入，并对这些复杂的输入进行映射。普林斯顿大学机械和航空航天工程助理教授阿尼鲁达说，应该采取行动。
然而，基于机器学习的机器人控制算法存在训练数据过拟合的风险，当遇到与训练时不同的输入时，可能会降低算法的效率。Majumdar的智能机器人运动实验室通过扩展用于训练机器人控制策略的可用工具套件以及量化在新环境中执行机器人的可能成功和安全性来应对这一挑战。
在这三篇新论文中，研究人员将其他领域的机器学习框架应用于机器人运动和操纵领域。他们转向广义理论，该理论通常用于将单个输入映射到单个输出的上下文，例如自动图像标记。新方法是最早将泛化理论应用于更复杂任务的方法之一，从而保证机器人在陌生环境中的性能。Majumdar说，虽然其他方法在更严格的假设下提供了这样的保证，但该团队的方法为新环境中的性能提供了更广泛适用的保证。
