OpenAI发布了一项新的机器人技术。

研究人员完全在仿真模拟环境中对机器人控制器进行训练，然后把控制器直接应用在实体机器人身上，通过这种方式让机器人在执行简单任务时，可以应对外界环境预料之外的变化。OpenAI已经用这一技术构建了闭环系统，取代原来的开环系统。

这个模拟器不需要匹配现实世界的情况，相反，OpenAI对相关环境采用了随机化的设置，包括摩擦力、动作延迟、传感器噪声等。这项研究表明，通用机器人可以在完全仿真模拟的环境中进行训练，只需要在现实世界中进行少量的自校准。

上面这个视频中，就是一个使用动态随机进行过模拟训练的机器人，任务就是把一个冰球推到目标点。尽管在真实世界中，研究人员在冰球上绑了一个袋子，改变了冰球的滑动性能，但机器人仍然能完成目标。

动态随机

OpenAI开发出了动态随机来训练机器人适应现实世界位置的动态变化。在训练过程中，研究人员随机抽取一组95个属性来定义环境动态，比如改变机器人身体各个部分的质量、改变操作对象的摩擦力和阻尼、置物台的高度、行动延迟观察噪音等等。

研究人员使用这种方法，训练了一个基于LSTM的策略，用以把冰球在桌子上推来推去。前馈网络在这个任务中失败了，而LSTM可以应用过去的观察，来分析世界的动态并相应的调整自己的行为。

从视觉到行动

OpenAI还是用了强化学习（RL）在模拟器中对机器人进行端到端的训练，并把得到的策略应用于一个实体机器人。这套系统不需要特殊传感器的帮助，就能把视觉直接映射到动作，并且可以根据视觉反馈进行调整。

这是机器人的相机视角。抓取方块的策略，使用了端到端的视觉到动作训练。在模拟情况下，夹子会随着方块的下滑而略微上移，以保持方块的位置。常见的RL算法，只能在扰动较小的情况下起效。

就在这个抓取任务上，OpenAI花了好几个月的时间来尝试传统的RL算法，但最终研究人员开发出一套新的算法：Hindsight Experience Replay (HER)。

HER的实现使用了不对称信息的actor-critic（演员-批评家）技术。演员是一个策略，批评家评估状态，并向演员发出训练信号。批评家可以获得完整的模拟器状态，演员只能访问RGB和深度信息，也就是现实世界中存在的数据。

成本

新的尝试增加了计算需求。动态随机让训练速度降低了3倍，而从图像学习而不是状态，让训练时长增加了5-10倍。

OpenAI认为有三种构建通用机器人的方法：训练大量的物理机器人、让模拟器不断接近真实世界、随机化模拟器然后把模型应用到真实世界。OpenAI的研究人员指出，他们越来越觉得第三种方式将是最重要的解决方案。

OpenAI在最后的视频中，展示了用简单的前馈网络在模拟器中训练的机器人，它无法适应真实世界，完成和模拟器中一样的任务。

关于这项研究的详情，OpenAI最近在arXiv上公布了两篇论文：

Sim-to-Real Transfer of Robotic Control with Dynamics Randomization 
https://arxiv.org/abs/1710.06537

Asymmetric Actor Critic for Image-Based Robot Learning 
https://arxiv.org/abs/1710.06542

OpenAI博客原文：https://blog.openai.com/generalizing-from-simulation/

— 完 —