「像动物一样适应的机器人（This Robot Adapts Like Animals ）」论文提出一种智能试错法算法，算法允许机器人快速适应破坏，完全不需要自我诊断或是提前准备应急措施。

    对于人类而言，有很多危险的工作，例如扑灭森林火灾，寻找地震废墟下的幸存者，或者是关闭福岛核电站等等。如果这些高危工作能让 AI 来完成，那该有多好！

    本期介绍的论文中出现了两个机器人：一个六组机器人和一个机械手臂，以此来展示动作方面的智能试错算法。这是是一种快速有效的损坏恢复算法，可以使机器人更加高效和可靠地运行。

 

    与传统强化学习（RL）方法相比，本期介绍的论文更加有效率，机器人上只需要花上几分钟和几次物理试验，而 RL 算法通常必须进行数百次测试才能学会如何完成任务。论文介绍了机器人有一个「模拟童年」（simulated childhood），在这里它学习了移动身体的不同方式，在经过几次测试和大约两分钟后就可以适应。

    本期论文跟之前的研究有两个主要区别：

    （1）机器人不需要知道损伤是什么，它只需要一种方法来衡量其性能；

    （2）我们没有一个大型资料库来指导，遭受各种类型的损害之后应该怎么做。相反，我们的机器人可以像动物那样，自行学会应对各种损害的场景。

    在这项研究中，机器人使用自己的模拟，找到成千上万种不同的行走方式。一旦损坏，机器人会进行体验并更新其关于每种可能行为的性能的知识（该更新将通过机器学习算法完成：高斯过程回归）。之前所习得的 13，000 种行为统统变得不管用了，因此，机器人必须利用之前的知识进行下一步操作的可行性测试：在大多数情况下，它会测试少于 10 种行为，以找到一个尽管受到损害仍能正常工作的行为。