斯坦福大學教授李飛飛近日解釋了日常家務任務對機器人而言為何極具挑戰性。她指出，即使是看似簡單的指令，例如「打開最上層的抽屉，並小心別碰到花瓶」，對機器人系統來說仍是重大難題。李飛飛表示，核心問題在於機器人需將抽象語言指令對應到具體物理世界。詞彙如「上層」「抽屉」「花瓶」均為抽象概念，機器人必須在複雜多變的環境中，將其映射至三維空間的確切位置、物體及其相互關係。
這要求機器人擁有可靠的感知、物體辨識能力，以及在不確定環境下的空間推理能力。
機器人缺乏人類常識與學習難題
李飛飛強調，機器人欠缺人類擁有的常識。例如理解「小心」一詞，需預判動作後果、估算空間間隙，並知曉花瓶屬易碎物品。將此類先驗知識——如抽屉重量或花瓶傾倒風險——編碼至機器人系統，過程極其繁瑣。 從學習機制來看，此類任務還面臨稀疏獎勵問題。機器人僅在完全成功（如抽屉打開且花瓶完好）時獲得有效回饋。在此之前漫長嘗試中，幾乎無助於學習的中間獎勵訊號。這導致基於獎勵的策略學習樣本效率低下，且訓練模型在環境變化時穩定性欠佳。
目前，李飛飛團隊正針對這些挑戰發力。其近期推出的 BRS 框架，透過低成本硬件與創新算法，提升機器人在家庭環境的全身操作能力，涵蓋雙臂協同、精準導航及末端執行器大範圍操作等關鍵技術。
AI 內容聲明：本文由 AI 工具輔助撰寫初稿，經 TechRitual 編輯團隊審閱、修訂及事實查核後發佈。如有任何錯誤或需要更正，歡迎聯絡我們。
