Teaching Robots to Build Simulations of Themselves

模拟使得机器人能够规划和估计潜在行动的结果，而无需实际执行它们。我们引入了一个自我监督学习框架，使机器人能够仅使用简短的原始视频数据对其形态、运动学和电机控制进行建模和预测，消除了对大量真实世界数据收集和运动学先验的需求。通过观察自己的动作，类似于人类在镜子中观察自己的反射，机器人学会了模拟自己并预测其在各种任务中的空间运动能力。我们的结果表明，这种自学习模拟不仅能够实现精确的运动规划，还可以使机器人检测异常并从损伤中恢复。

本论文旨在通过自监督学习框架，使机器人能够模拟和预测自身的形态、运动学和运动控制，从而消除对大量真实世界数据收集和运动先验的需求。这个问题是否是一个新问题？

机器人通过观察自己的运动，类似于人类在镜子中观察自己的反射，学习模拟自己并预测各种任务的空间运动。这种自学习的模拟不仅可以实现准确的运动规划，还可以检测异常情况并从损坏中恢复。

该论文的亮点包括：使用自监督学习框架进行机器人运动学习，消除了对真实世界数据的需求；机器人可以通过观察自己的运动，学习模拟自己并预测各种任务的空间运动；该方法不仅可以实现准确的运动规划，还可以检测异常情况并从损坏中恢复。实验使用了UR5机械臂和机器人手臂模拟器，并在不同的任务中进行了测试。该论文提供了开源代码。值得进一步研究的工作包括如何将这种方法应用于更广泛的机器人系统中，并进一步提高其性能和鲁棒性。

最近在这个领域中，还有一些相关的研究。例如：Learning to Simulate Dynamic Environments with GameGAN，DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills，Learning to Navigate in Cities Without a Map等。