未来机器人可能摆脱制造商编写的任务，从YouTube上也能学习

MIT计算机科学和人工智能实验室(CSAIL)和多伦多大学的研究人员开发一个虚拟家园“VirtualHome”，不仅让虚拟机器人成功做家务，还创建了一个用自然语言描述的家庭任务数据库，将来可能有助于亚马逊的Alexa等系统执行更复杂的任务。

“机器人，给我来一瓶82年的农夫山泉。”

收到这个指令，机器人肯定一脸懵逼。

先不说82年的农夫山泉肯定找不到，更现实的问题是，即便是有一瓶现成的农夫山泉，机器人也需要人类更明确、程序化的指令才能完成这个任务，他们不能轻易推断和推理。

MIT计算机科学和人工智能实验室(CSAIL)和多伦多大学的研究人员受《模拟人生》（The Sims）启发，开发一个虚拟家园“VirtualHome”，不仅让虚拟机器人成功地制作了咖啡、打开烤面包机、在沙发上休息，研究人员还创建了一个用自然语言描述的家庭任务数据库，将来可能有助于亚马逊的Alexa等系统执行更复杂的任务。

VirtualHome：模拟家庭八个场景中的1000个交互

VirtualHome是一个3D环境，它允许模拟和生成活动的视频，并将它们作为动作和交互的序列。

VirtualHome基于三个主要模块：

家庭任务的知识库，包含如何执行某些公共任务的指令；VirtualHome环境，一个模拟和生成这些任务的视频的3D模拟器，以及允许从描述或视频演示生成程序的脚本生成模型。

团队使用了近3000个不同活动的程序来训练这个系统，这些活动被进一步细分为计算机的子任务来理解。这是因为机器人与人类不同，它们需要更明确的指令来完成简单的任务，不能轻易地推断和推理。

例如，一个人可能会告诉另外一个人：“打开电视，在沙发上看吧。”在这句话中，像诸如“拿遥控器”和“坐/躺在沙发上”这样的动作被省略了，因为它们是人类常识的一部分。

为了更好地向机器人演示这类任务，需要更详细地描述操作。

仅看电视这个任务，就分了多个步骤

为此，研究团队首先收集了家庭活动的口头描述，然后将它们翻译成简单的代码。像“打开电视，在沙发上看吧”这样的指令可能包括以下步骤：

走到电视前，打开电视，走到沙发前，坐在沙发上，看电视。

一旦这些程序被创建，这个团队将它们输入到VirtualHome 3-D模拟器，然后将它们转换成视频，虚拟代理将执行程序定义的任务，无论这些任务是看电视、将锅放在炉子上，还是打开和关闭烤面包机。

该团队的虚拟机器人可以在VirtualHome的世界中执行1000个这样的交互，其中有八个不同的场景，包括客厅、厨房、餐厅、卧室和家庭办公室。

程序的独特之处：包含了执行活动所需的所有步骤

来看一看是具体怎么操作的。

团队收集了一个专门针对机器人的家庭活动的大型知识库，数据集包含活动以及程序的自然语言描述，以一系列步骤的形式表示活动的正式符号。这些程序的独特之处在于它们包含了执行活动所需的所有步骤。

每个任务都有一个高级名称和一个自然语言指令，然后团队为这些任务收集“程序”(下图左中)，标注者（annotators）将指令“翻译”为简单的代码。

接着，团队在VirtualHome-3D模拟器中执行最频繁的（内部）操作，能够驱动代理执行由程序定义的任务。团队提出了从文本（上图顶部）和视频（上图底部）自动生成程序的方法，从而通过语言和视频演示驱动代理。

上图描述在VirtualHome中，代理根据描述执行生成的程序。注意，最上面的代理使用他的左手打开冰箱和抓取一个物品，因为他右手已经拿了一个物体。另外，代理还有一些限制，例如，在第三排，代理穿着衣服坐在马桶上。此外，有时携带的物品会由于对撞机的不精确而轻微地穿透代理的身体。

未来：机器人可能摆脱制造商编写的任务，从YouTube上也能学习

该项目由CSAIL和多伦多大学等高校的研究人员共同开发，将在本月在盐湖城举行的CVPR会议上present。

亚利桑那州立大学艺术媒体和工程系的研究助理Qiao Wang说：“这一工作将有助于未来真正的机器人个人助理，机器人都可以通过聆听或观察身边的特定人员来学习任务，而不是制造商编写的每项任务。这使得机器人可以以个性化的方式完成任务，甚至有一天可以通过这种个性化的学习过程调用情感联系。“

此外，研究的结果不仅仅是完成一个训练机器人做家务的系统，它还是一个使用自然语言描述的家庭任务的大型数据库。像亚马逊这样的公司正在努力在家里开发类似Alexa的机器人系统，最终可以使用这些数据来训练他们的模型来完成更复杂的任务。

未来，该团队希望使用实际视频来训练机器人，而不是《模拟人生》这样风格的模拟视频，这将使机器人通过观看YouTube视频来学习。该团队还致力于实施奖励学习系统，让代理在正确执行任务时得到积极的反馈。