對物理定律有直觀理解的機器人可能聽起來像Isaac Asimov小說中的某些東西，但谷歌機器人部門的科學家們說他們基本上創造了它們。他們認為，在這樣做的過程中，他們可能為未來能夠學習投擲，滑動，旋轉，擺動，捕捉和其他運動技能的系統奠定基礎，這些技能目前對即使是功能最強大的機器也構成了挑戰。

“盡管在使機器人有效掌握物體，視覺上自我適應甚至從實際經驗中學習方面取得了相當大的進步，機器人操作仍需要仔細考慮如何拾取，處理和放置各種物體 - 尤其是在非結構化設置中，“谷歌學生研究員Andy Zeng在博客中寫道。“但是機器人不僅可以容忍動力學，而且可以學會有利地使用它們，開發物理學的‘直覺’，使他們能夠更有效地完成任務？

為了回答這個問題，Zeng和他的同事們與普林斯頓，哥倫比亞和麻省理工學院的研究人員合作開發了一個他們稱為TossBot的拾取器機器人，該機器人學會抓住并將物體扔到其“自然范圍”范圍之外的盒子里。它不僅是以前最先進型號的兩倍，而且實現了兩倍的有效放置范圍，而且可以通過自我監督來提高。

投入可預測性并不容易 - 即使對人類也是如此。抓握，姿勢，質量，空氣阻力，摩擦力，空氣動力學以及無數其他變量會影響物體的軌跡。通過反復試驗對射彈物理進行建模是可能的，但曾梵志指出，它計算成本高，需要大量時間，并且不會產生特別普遍的政策。

相反，TossingBot使用射彈彈道模型來估計將物體送到目標位置所需的速度，并使用端對端神經網絡 - 以生物神經元為模型的數學函數層 - 對來自頭頂的視覺和深度數據進行訓練用于預測該估計值之上的調整的相機。Zeng表示，這種混合方法使系統的投擲準確率達到85%。

教學TossingBot抓住物體有點棘手。它首先嘗試“壞”抓取，直到它識別出更好的方法，同時通過偶爾隨機投擲物體以及以前沒有嘗試過的速度來提高其投擲能力。經過大約14個小時的10，000次抓握和投擲嘗試后，TossingBot可以在87%的時間內牢牢抓住雜亂堆中的物體。

也許更令人印象深刻的是，經過一兩個小時的訓練，TossingBot可以適應前所未有的位置和假水果，裝飾物品和辦公物品，使用類似的，幾何上更簡單的小玩意兒?！癟ossingBot可能學會更多地依賴幾何線索（例如形狀）來學習抓握和投擲，”Zeng說?！斑@些新興的功能是從頭開始隱式學習的，除了任務級別的抓取和投擲之外沒有任何明確的監督。然而，它們似乎足以使系統能夠區分對象類別（即乒乓球和標記筆）?！?/p>

研究人員承認，TossingBot尚未使用脆弱的對象進行測試，并且使用嚴格的可視化數據作為輸入，這可能會妨礙其在測試中對新對象做出反應的能力。但是他們說基本的自負 - 結合物理學和深度學習 - 是未來工作的一個有希望的方向。