机器人开发新思路——强化学习

众所周知，机器人（Robot）是一种能够半自主或全自主工作的智能机器。机器人能够通过编程和自动控制来执行诸如作业或移动等任务，而在执行过程中，最常用的就是判断命令或逻辑。换句话来说，机器人之所以能够执行并输出我们所期望的结果，跟判断命令是离不开的。

今天我们就从判断逻辑的开发来模拟未来的机器人开发场景。首先来试想一个场景：老鼠走迷宫。

图中绿色线条为迷宫的正确路线，起点至终点，需要通过26个路口。由此我们可以模拟出两种开发路径：

• 按照最简单的开发方式来设计程序，在知道答案的前提下，进行26次正确判断，使老鼠走出迷宫。这种方式虽然开发过程比较繁琐，但好在小老鼠最省力。如果是更高难度等级的迷宫开发，这种方式就不太适用了。

• 按照条件来设计程序，即每个路口都由小老鼠去自主尝试，直到找出正确的路线。这种方式虽然开发简单，但是费时费力。如果换一个更高难度等级的迷宫，小老鼠可能跑得没电了也没找到正确的路。

试想一下，有没有什么办法既能省去中间的复杂环节，又能减少程序员的开发精力，同时让小老鼠看起来更聪明呢？

利用强化学习的思路来解决

通过人为设置奖励函数，让小老鼠在仿真环境中自行运算、试错、碰壁，将一定量级的案例经验进行积累，小老鼠将自行生成出符合走出迷宫的最佳算法或经验集合。

当小老鼠在实际环境中每遇到一个路口需要判断时，它都会在经验集合中查找最适合的路径或算法，帮助它做出最合适的判断，从而达到比人类设计程序更适合的程序效果。

在这一开发过程中，案例积累的大部分工作是由机器自行学习完成的，机器学习的时间相对人类而言，耗时更短效率更高，且能够应对不同等级的迷宫场景，适用性更强。

由此我们可以看出：仅仅是在走迷宫这一机器人开发的小小场景中，强化学习就能发挥如此大的作用。若是在一个多自由度，多控制域，多场景等条件下的机器人开发，强化学习思路的机器人程序开发方式，是否有机会成为未来的主流方式？

近期，阿木实验室也利用强化学习的思路测试了我们的KKSwarm无人小车，接下来给大家展示我们的实验成果：

如今，KKSwarm集群测试平台已经实现了强化学习理论到开发落地的衔接，并提供强化学习demo仿真环境与实际物理环境的映射，同时KKSwarm项目仍在不断的强化中，期待各位未来人工智能领域的领头羊与我们一道探索机器人的未来。

-END-

特别福利：为鼓励广大开发者开源，凡是基于KKSwarm系统研究出新算法，同时达到以下标准者，将给予相应现金奖励（按最高贡献只奖励一次），以达到共建开源项目的目的。

A类贡献者(奖励2万元)，需同时满足以下要求：

1. 开源算法发表在SCI期刊；

2. 提供相应算法代码或下载链接；

3. 提供相应演示视频。

B类贡献者(奖励8千到1万元)，需同时满足以下要求：

1. 成果发表在EI期刊；

2. 提供相应算法代码或下载链接；

3. 提供相应演示视频。

C类贡献者(奖励2千到5千元)，需审核：

成果以论文、博客、教程等形式发表；或提供与众不同的演示视频。

可搭配学习的资料

1、开源项目地址：

https://github.com/amov-lab/kk-robot-swarm

https://github.com/kkswarm/kk-robot-swarm

2、Wiki资料：https://wiki.amovlab.com/public/misaro-doc/