机器人|美国陆地作战机器人揭秘:大国大杀器( 五 )


APPL将不同的机器学习技术(包括逆强化学习和深度学习)分层排列在经典的自主导航系统之下 , 可以将高级的目标和约束应用在低级编程上 。人类可以使用远程操作演示、矫正干预和评估反馈来帮助机器人适应新环境 , 同时 , 机器人可以使用无监督强化学习来调整自己的行为参数 。
结果就是 , 一个自主系统可以兼具机器学习的多个优势 , 同时也提供了军队需要的安全性和可解释性 。有了APPL , 像RoMan这样的基于学习的系统 , 即使在不确定的情况下也可以采用可预测的方式运行 。如果它处于与训练环境十分不同的环境中 , 则需要依靠人类调优或人类演示 。
商业和工业自动驾驶系统(比如自动驾驶汽车)的快速发展 , 难免使人们好奇:为什么军队会在先进技术的洪流中处于落后地位?Stump 的看法是 , 自主系统中有很多难题 , 军队的难题与工业难题不同 。比如说 , 军队就没有配备大量数据的结构化环境来操作机器人 。未来 , 人类很可能仍然是ARL正在开发的自主框架中的关键角色 。
三、结语:不要在发明棍子之前 , 困于对暴力的忌惮
从上述分析中可以看出 , 全球军事机器人研究并没有停滞不前而是在积极向前发展 。人们更希望军事机器人开发者能够在战斗和智能自动化方面找到平衡 。
我们的时代轨迹是真正实现人机共融 , 而从机器人一隅来看 , 人和机之间的关系 , 渐次为辅助、协同、替代、扩展 。辅助和协同已经实现 , 人的主体地位就要摆在更显眼的位置了 。
【机器人|美国陆地作战机器人揭秘:大国大杀器】 


推荐阅读