由于“机器学习”一词日益升温，在“机器人”（利息所表达谷歌趋势)在过去三年里没有多大变化。那么机器学习在机器人领域有多大的空间呢?
而只有在机器人技术的最新进展部分可以记入发展和机器学习的用途，我已经瞄准在这篇文章中，收集一些比较突出的应用结合在一起，与链接和引用一起。
在我深入研究机器人学中的机器学习之前，先来定义一下“机器人”。虽然乍一看这似乎很简单，但要就什么是机器人达成一致可不是件容易的事是它不是，甚至当中的机器人专家。对于这篇文章的目的，我会从借“机器人”的缩写定义这篇文章卡内基梅隆大学计算机科学系的网站上：
“部队通过情报。”
要么
“当AI满足了真实的世界。”
一些研究人员甚至认为针对一组定义为机器人，或辩论的定义是否可以如“隐私权”的概念是相对的或依赖的情况下，上下文;随着越来越多的规章制度围绕它们的使用创造了在不同环境中，这可能是一个更好的办法。还有一些争论到机器人一词是否包括技术创新，如自动驾驶车辆，无人驾驶飞机和其他类似设备。对于这篇文章，并考虑上面的定义而言，我认为，这些类型的机器是一类移动机器人。
大多数机器人都没有，而且很可能不是，类人型机器人从现在10年;如机器人是为一系列的行为而设计的在环境中过多，自己的身体和体能将反映这些特征的最佳选择。一个例外可能是对人类提供医疗或其他护理或陪伴机器人，这是为了建立一个更加个性化和“人性化”的关系也许是服务机器人。
与当今许多创新技术领域一样，机器人技术已经并正在受到机器学习技术的影响，并在某些方面受到机器学习技术的指导。根据Evans Data Corporation Global Development最近发布的一项调查，机器学习和机器人是在开发商的优先事项顶部2016年，随着参与者的56.4％的，说明他们正在建设机器人的应用程序和指示在他们的项目中使用机器学习的所有开发者24.7％。
机器学习应用在机器人技术亮点，其中机器学习已经对机器人技术的一个显著的影响，无论是现在和对未来的用途开发阶段五个关键领域的下列概述。虽然绝不包容性的，总结的目的是给读者存在于机器人和刺激在这些领域和其他领域的进一步研究的愿望类型的机器学习应用的味道。
当前机器学习在机器人领域的应用
*条款斜体字词汇表中在该柱的底部进一步限定。
1 - 计算机视觉
尽管有关，有人会说了正确的说法是机器视觉或机器人视觉，而不是计算机视觉，因为“机器人看到”涉及的不仅仅是计算机算法;工程师和机器人专家也必须考虑到摄像头的硬件，让机器人来处理物理数据。机器人视觉是非常密切的联系，以机器视觉，可以得到的荣誉机器人导航和自动检测系统的出现。这两者之间的微小差异可能会在运动学应用于机器人视觉，其包括参考帧校准和机器人的能力物理影响其环境。
网络（包括注释/标记的照片和视频）上提供大数据即视觉信息的涌入，推动了计算机视觉，进而在像大学已经帮助进一步基于机器学习的结构预测学习技术的进步卡内基梅隆大学在其他领域，机器人的视觉应用，如物体的识别和分类。例子是一个分支异常检测与无监督学习,如建筑系统能够发现和评估在硅片使用卷积神经网络故障,所设计的仿生机器人和机器学习研究的实验室,这是非营利的一部分Assistenzrobotik业务在慕尼黑。
像雷达、激光雷达和超声波等超感技术Nvidia公司该公司还在推动基于360度视觉的自动驾驶汽车和无人机系统的发展。
2 - 模仿学习
模仿学习密切相关的观察学习，行为表现的婴幼儿。模仿学习也是一个伞类别强化学习或让代理人在全球采取行动，以最大限度地发挥其报酬的挑战。贝叶斯或概率模型是这种机器学习方法的一个共同特征。问题是模仿学习可用于仿人仿生机器人推测早在1999年。
模仿学习已成为机器人技术领域，其出厂设置外流动的特性一样喜欢建筑，农业，搜索和救援，军事和其他领域领域，使其具有挑战性的手工程序的机器人解决方案的一个组成部分。实例包括逆最优的控制方法，或“编程的示范“，这已经在仿人机器人，腿运动等领域应用广泛通过CMU和其他组织，和越野越野移动导航仪。来自亚利桑那州立大学的研究人员发表了这个视频两年前通过模仿学习来获取不同的抓技术呈现出人形机器人：
________________________________________________________________________
贝叶斯信念网络也被应用于对推进学习模式机器人在其中学习先验了解it电机系统或外部环境。例如"电机牙牙学语“，这表现在语言习得和机器人组在伊利诺伊大学Urbana-Champaign分校（UIUC）与伯特中，‘的iCub’类人机器人。
3 - 自我监督学习
自我监督的学习方法使机器人能够产生以提高性能自己的训练实例;这包括使用先验训练和数据捕获的近距离解释“远程暧昧传感器数据”。它被纳入到机器人，光学设备，可以检测和拒绝对象（灰尘和雪，例如）;识别蔬菜和粗糙的地形障碍;在三维场景分析和建模车辆动力学
观看博特是一个具体的例子，由康奈尔和斯坦福研究人员创建的，其使用的3D传感器（超高动力学），相机，笔记本电脑和激光指针，以检测“正常人类活动”，这是图形，它通过学习概率方法。观看博特使用激光指针定位的对象作为一个提醒（例如，这是留在冰箱的出牛奶）。在最初的测试中，机器人是能够成功地提醒人们时间的60％（它没有概念的它在做什么，或者为什么），并允许其从机器人的在线视频学习扩大试验，研究人员（称为项目RoboWatch）。
其他应用于机器人领域的自主学习方法包括a道路检测算法在前视单目摄像机与道路概率分布模型(RPDM)和模糊支持向量机(FSVMs)，在麻省理工学院设计的自动车辆和其他移动道路机器人。
自主学习，这是一个涉及深学习和无监督的方法，自我监督学习的变体，也被应用到机器人和控制任务。一个研究小组在伦敦皇家学院，与来自剑桥大学和美国华盛顿大学的研究人员合作，创造了加快学习并入模型不确定性（概率模型）为长期规划和控制学习，降低效果的新方法学习一项新技术时，模型错误。这种统计机器学习方法在下面的视频中付诸行动由团队的操盘：
4 - 辅助技术和医疗技术
的辅助机器人（根据斯坦福大学的David L.贾菲）是一种可以感知，处理感觉信息，并执行操作是造福残疾人和老年人（虽然智能辅助技术也存在于一般人群，如设备驾驶员辅助工具）。运动疗法机器人提供一种诊断或治疗益处。这两个都是在很大程度上是（不幸）技术仍局限于实验室，因为他们仍然成本高昂的大多数医院在美国和国外。
早期的辅助技术包括DeVAR或桌面职业助理机器人上世纪90年代初，斯坦福大学(Stanford)和帕洛阿尔托退伍军人事务康复研究与开发中心(Palo Alto Veterans Affairs Rehabilitation Research and Development)联合开发了这项技术。基于机器学习的机器人辅助技术的最新例子正在开发中，其中包括将辅助机器与更多的自主性结合起来，比如MICO机械手臂(西北大学开发)通过Kinect传感器观察世界。这意味着更复杂但更智能的辅助机器人更容易适应用户需求，但也需要部分自主(即在机器人和人类之间共享控制)。
在医学领域，机器学习方法应用于机器人技术的进展很快，尽管在许多医疗设施中还没有现成的方法。通过CAL-MR：中心自动化和学习的医疗机器人，在多个大学的研究和医生的网络之间（与研究人员在多个大学和医生的合作导致了创作的组织智能自主机器人（STAR）通过儿童全国卫生系统在DC试点。使用在自主学习和3D传感创新，STAR能够十字绣“猪肠”（代替人体组织的使用）具有较好的精度和可靠性比最好的外科医生的人在一起。研究人员和医生做出STAR不是外科医生的替代语句 - 谁在可预见的未来将保持就近处置突发事件 - 但提供在执行类似类型的细腻手术的主要优点。
5 - 多Agent学习
协调和谈判是关键部件多代理学习这涉及到基于机器学习的机器人(或代理——这一技术已广泛应用于游戏中)，它们能够适应其他机器人/代理不断变化的环境并找到“平衡策略”。多智能体学习方法的例子包括无悔学习工具其中包括在多智能体规划中“提高”学习结果的加权算法，以及在智能体规划中“提高”学习效果的加权算法以市场为基础，集散控制系统。
一个更具体的例子是一个算法研究人员从麻省理工学院的创建分布式代理或机器人在2014年底机器人实验室信息和决策系统合作，建立比可以用一个机器人（信息小块处理，然后合并）来实现更好和更具包容性的学习模式的基础上，探索建立和房间的概念布局和自主建立一个知识库。
每个机器人建立了自己的目录，并与其他机器人的数据集相结合，分布式算法创建这个知识库跑赢标准算法。虽然不是一个完美的系统，这种类型的机器学习方法允许机器人比较目录或数据集，加强相互观察和正确的遗漏或过度概括，并在几个机器人应用，包括多个自治的土地，无疑将起到近未来的作用和空中的交通工具。
机器学习在机器人：未来展望 - 长期优先
在机器人基于机器学习的方法上，简要概述，以合同和挑战联合推出了强大的军事保荐人（例如DARPA，ARL）;各大厂商机器人创新（例如硅谷机器人S）和初创厂商（梅菲尔德机器人技术）;和汽车厂家对下一代自主车的攻势（从丰田BMW）增加投资（仅举几有影响力的领域），指向机器学习作为一项长期的优先级的趋势。
词汇表机器人相关的机器学习概念
运动学- 经典力学中的分支，它描述了点（或者“粒子”），体（对象），和机构的系统的运动，而不考虑这些对象也不是可能造成的运动的力的群众;通常被称为“运动的几何形状”。
贝叶斯模型- 这蒙上决策框架的统计问题统计推断方法。它要求制定主观先验概率来表达预先存在的信息，数据结构的精心造型，检查和允许在模型中假设的不确定性，制订一套可能的决策和效用函数来表示每个备选值决定如何受到影响由未知的模型参数。
逆最优控制- 也被称为逆强化学习，这是从最优策略专家示范马尔可夫决策过程中回收的未知回报功能的问题。
支持向量机- 也称为支持向量网络，支持向量机有监督的学习模式与相关的学习算法，分析用于分类和回归分析数据。
相关Emerj访谈
下面Emerj研究员访谈可能是相关的，在机器人技术在机器学习更感兴趣的读者：
- 机器视觉发展及技术，-佐治亚理工学院的伊尔凡·艾萨博士
- 导航机器人的“恐怖谷”- 与傀儡集团的德里克·舍雷尔，LLC
- 一个简介群体机器人-莱斯大学的詹姆斯·麦克卢金博士
如果你喜欢这篇关于机器人学中的机器学习的文章，你可能也会喜欢我们之前的文章人工智能营销,物联网中的人工智能。
图片来源：第33届广场
