面向物理系统中的自主性科学：路径

自主物理系统（APS）将被期望能够可靠且独立地评估、执行和实现目标，同时遵守周围的规则、法律或惯例。在此过程中，APS 必须依赖关于其周围环境、要执行的任务以及自身传感器和执行器的广泛动态、复杂且通常不精确的信息。例如，在家庭或商业环境中进行清洁需要具备感知、抓取和操作许多物理对象的能力，可靠执行诸如清洗、折叠和堆叠等各种子任务的能力，以及关于局部惯例的知识，例如对象如何分类以及应存放在何处。可靠自主操作所需的信息可能来自外部来源、机器人自身的传感器观测，或以训练者直接指令的形式提供。类似的考虑适用于许多领域——建筑、制造、家庭援助和医疗保健。例如，外科医生在接触患者之前要花许多年学习生理学和解剖学。然后，他们在专家外科医生的指导下进行大约 1000 次手术，并在手术室外练习诸如缝合打结等基本操作数千次。所有这些要素结合起来才得以在此任务中达到专业水平。因此，通过传统编程方法赋予系统稳健的自主性迄今为止成效有限。几种获取和处理此类数据的有希望的新路径正在出现。本白皮书概述了三个有希望的研究方向，以使 APS 能够学习独立且灵活地执行任务所需的物理和信息技能：深度强化学习、人机交互和云机器人学。