机器人，认识你自己在人工智能时代如同一种命令。这种基于视觉的革命性新系统使机器能够获得自我认知，从而改变它们与世界的互动。通过扩大柔性机器人的应用范围，该项目旨在释放前所未有的机器人性能，而无需昂贵的物质元素或复杂的编程。这一创新的含义彻底改变了我们对机器人的看法，展望了一个机器能够自主适应动态环境的未来。
柔性机器人及自我理解的进展
麻省理工学院的CSAIL实验室最近开发了一个革命性系统，使机器人能够通过视觉获得身体自我认知。例如，一个柔性机器人手能够调整其运动以抓取物体，而无需使用传感器。这个创新机制依赖于一个单独的摄像头，捕捉机器的运动以进行控制。
这种新的范式称为神经雅可比场（NJF），代表了机器人自主学习的一个方向。远离传统的编程方法，该系统允许机器学习如何对其环境做出反应以及根据视觉观察控制其行为。研究的首席研究员Sizhe Lester Li谈到了这一根本性变化：“我们从编程转向教授机器人。”
机器人技术中的传统挑战
传统机器人通常需要硬质材料和复杂的检测设备才能有效运行。这些限制制约了设计创新。NJF通过摆脱这些传统的物质需求，使创造者能够探索非常规的形态。设计师因此可以设计柔性和生物启发的机器人，而不必担心其建模。
NJF方法论的解释
该过程从机器人进行随机动作开始，同时多个摄像头记录结果。这个知识获取过程不需要人类监督。一旦学习阶段完成，机器人使用单目摄像头进行实时控制，以大约12赫兹的频率发出信号。这种学习方法促进了优良的自主性和快速执行能力。
系统的潜在应用
这一技术的含义范围广泛。配备NJF的机器人能够以毫米级精度执行农业任务，或者在建筑工地工作而无需复杂的传感器。它们在动态环境中的导航能力开辟了新前景，超越了当前传统方法的能力。
这一视觉学习模型的突出性还可能带来无人机领域的进展，使其能够在室内无地图导航，并为移动操作在拥挤场所提供效率。
NJF背后的理论基础
NJF基于神经网络的基本概念，以绘制机器人在三维空间中的几何形状及其对控制信号的反应。这些先进技术的整合有助于创建详细的可控性图，调整机器人的运动，即使在数据不完整的情况下。
最初的模拟涉及简单的元素，如2D手指，验证了其有效性。这一新兴系统揭示了机器人的指令自然发现，与个体学习如何与新设备互动的方式相似。
未来展望
这项研究的轮廓令人期待，未来机器人技术的可获得性可能会增加。未来的版本可能允许业余爱好者使用手机捕捉机器人运动，从而建立一种无需复杂设备的控制模型。尽管该系统尚无法跨不同类型机器人进行推广，其持续的研究旨在克服这些局限性。
NJF可能导致具有真实身体意识的机器人，能够灵活地在真实环境中执行适当的任务。来自CSAIL实验室的这项研究结果促使人们思考机器人技术朝着以观察学习为标准的模式发展。
有关相关项目、案例研究和机器人技术发展的更多信息，请参阅以下文章：谷歌对于未来Gemini的想法、锌离子电池的探索和气象事件的预测。
常见问题：机器人，认识你自己
什么是神经雅可比场（NJF）？
神经雅可比场（NJF）是一种创新方法，使机器人能够理解和学习其身体如何通过视觉反应于控制命令，而无需集成传感器。
NJF如何改善机器人的控制？
NJF允许机器人通过观察学习其内部模型，相比依赖复杂传感器和僵硬模型的传统方法，提供了更大灵活性。
什么类型的机器人可以受益于NJF？
该系统已在各种机器人上进行测试，包括柔性机器人手、3D打印的硬臂以及旋转平台，显示出很强的鲁棒性和多功能性。
NJF如何实现无人工监督的学习？
机器人执行随机动作，同时多个摄像头记录结果，允许系统推断控制信号与观察到的动作之间的关系，无需人类干预。
NJF在实验室以外有哪些潜在应用？
配备NJF的机器人可以以极高的精确度执行农业任务，在没有复杂传感器的情况下工作于建筑工地，或在传统方法失败的动态环境中进行导航。
为什么在NJF中选择视觉作为主要控制手段？
视觉是一种强大且可靠的传感器，使机器人能够在杂乱的环境中运行，从而简化了定位和控制，而无需昂贵的外部追踪系统。
NJF当前存在哪些局限性？
目前，NJF需要多台摄像头进行训练，并且必须为每个机器人定制，并且尚不支持力量或触觉的检测，这在某些接触任务中限制了其有效性。
NJF如何促进柔性和生物启发机器人的未来？
NJF为设计柔性机器人开辟了道路，这些机器人更少受传统模型的限制，从而促进了对非常规形状和结构的探索，这可能会彻底改变机器人技术领域。
NJF的学习过程是怎样的？
机器人进行随机运动，系统基于这些动作创建精细的可控性地图，使其能够通过自身的身体进行动作概括。
NJF将如何为爱好者提供更易接触的机器人技术？
在未来，预计爱好者能够使用智能手机记录机器人的随机动作，从而创建不需要先前知识或特殊设备的控制模型。
