一辆小型无人机在一个空旷的地方进行试飞，里面装满了随意放置的纸板筒，它们充当树木，人或建筑物的替身。控制无人机的算法已在一千个模拟的载满障碍的路线上进行了训练，但从未见过这样的路线，这架飞机避开了其路径上的所有障碍。
该实验为现代机器人技术中的关键挑战提供了试验平台：保证在新型环境中运行的自动化机器人的安全性和成功的能力。随着工程师越来越多地使用机器学习方法来开发适应性强的机器人，普林斯顿大学研究人员的新工作在各种障碍和约束条件下为机器人提供此类保证方面取得了进展。
“在过去的十年左右的时间里，在机器人技术方面，机器学习获得了巨大的兴奋和进步，主要是因为它允许您处理丰富的感官输入，例如来自机器人相机的感觉输入，并映射这些复杂的输入普林斯顿大学机械与航空航天工程学助理教授阿尼鲁达玛(Anirudha Majumdar)说，要采取行动。
但是，基于机器学习的机器人控制算法存在过拟合其训练数据的风险，这可能会使算法在遇到与训练时输入不同的输入时效率降低。Majumdar的智能机器人运动实验室通过扩展用于训练机器人控制策略的可用工具套件，并量化了在新颖环境中执行机器人的可能成功和安全性，来应对这一挑战。
在三篇新论文中，研究人员将其他领域的机器学习框架应用于机器人运动和操纵领域。他们转向一般化理论，该理论通常用于将单个输入映射到单个输出的上下文中，例如自动图像标记。新方法是最早将泛化理论应用于更复杂的任务的方法之一，以确保在陌生环境下机器人的性能。Majumdar说，虽然其他方法在更严格的假设下提供了此类保证，但该团队的方法为新颖环境中的性能提供了更广泛适用的保证。
