深度解读美国服务机器人技术路线图

许多决定机器人动作结果的现象很难，甚至不可能建模。机器学习技术，提供了一个有前途的工具来解决上述困难。这些技术可以用于机器人任务或环境学习模型的建立、更深层次的传感器和抽象任务的描述、仿真和强化学习、控制政策的学习、有控制架构的整合学习、多传感器信息（例如视觉，触觉）的概率推理方法和结构性时空陈述，可以加快机器人学习与适应技术的发展。

　　物理上的人机交互

　　普遍存在于工业机器人领域的安全壁垒已逐渐消除，机器人将更大程度与人类合作，执行任务和示范编程。作为这项工作的一部分，机器人将与用户有直接的物理接触。首先需要有安全方面的慎重考虑。此外，另一个需要考虑的因素是如何设计这些机器人的交互模式，使之能很自然地被用户感知。这涵盖了各个方面的交互，从机器人直接的物理运动，到通过最小惯量感知和流体控制的物理交互。另外，考虑设计和控制之间的相互作用，以优化其功能。

　　社交交互机器人

　　对于机器人与人交互，赋予系统与人交互的设施。这种交互，对于系统分配任务、新技能和任务的教学、联合任务的执行等，都是必须的。当前社会交互模型包括手势、语音/声音、身体运动/姿态及物理位置。将技能和人类试图解释的现有和新的活动任务模型结合起来。在服务机器人领域，对社交互动都具有广泛需求。