這項由北京大學通用人工智能研究院王鶴領導的研究團隊發(fā)表于2024年12月的《神經(jīng)信息處理系統(tǒng)》(NeurIPS 2024)會議上。這個研究解決了一個聽起來很簡單、但實際上極其復雜的問題：如何讓機器人像人類嬰兒一樣，通過觀察和模仿來學會使用各種工具。有興趣深入了解的讀者可以通過論文標題"ManiSkill-HAB: A Benchmark for Low-Level Manipulation in Humans, Androids, and Robots"搜索獲取完整論文。

想象一下，當一個兩歲的孩子第一次看到大人用勺子吃飯時，他們不需要任何說明書，只需要觀察幾次，就能模仿著用勺子把食物送到嘴里。雖然動作可能還不夠熟練，但基本的協(xié)調(diào)配合已經(jīng)有模有樣了?，F(xiàn)在，北京大學的研究團隊想要讓機器人也擁有這種看似簡單、實際上需要極其復雜協(xié)調(diào)能力的學習本領。

這個研究的創(chuàng)新之處在于，它首次建立了一個可以讓人類、仿人機器人和傳統(tǒng)機器人在同一個"練習場"里比較學習效果的測試平臺。就像是為不同類型的"學生"設計了同一套考試題目，看看誰能更好地掌握使用工具的技能。研究團隊發(fā)現(xiàn)，即使是最先進的機器人，在學習使用工具方面仍然遠遠落后于人類，這為未來的機器人發(fā)展指明了方向。

這項研究的意義遠不止于學術(shù)探索。在不久的將來，這些能夠靈活使用各種工具的機器人可能會出現(xiàn)在我們的廚房里幫忙做飯，在醫(yī)院里協(xié)助手術(shù)，或者在工廠里完成精密的組裝工作。更重要的是，這種"觀察學習"的能力意味著機器人不再需要為每一個新任務重新編程，而是可以像人類一樣通過觀察來快速適應新的工具和環(huán)境。

一、重新定義機器人學習的游戲規(guī)則

在傳統(tǒng)的機器人訓練中，工程師們通常需要為每一個具體任務編寫詳細的程序代碼，就像給機器人寫一本厚厚的操作手冊。如果要讓機器人學會用錘子釘釘子，工程師需要精確計算每一個關(guān)節(jié)的角度、每一次移動的距離，甚至連握錘子的力度都要事先設定好。這種方法雖然在特定任務上效果不錯，但面對新的工具或者稍有變化的環(huán)境時，機器人就會完全"懵圈"。

北京大學的研究團隊意識到，真正的智能應該像人類一樣具有適應性和學習能力。他們的研究就像是在問一個根本性的問題：能否讓機器人擁有像人類嬰兒一樣的學習天賦，通過觀察和模仿來掌握使用工具的技能？

為了解答這個問題，研究團隊創(chuàng)建了一個名為ManiSkill-HAB的綜合測試平臺。這個平臺就像是一個專門為研究"手部技能"設計的實驗室，里面包含了各種各樣的工具使用任務。與以往的研究不同，這個平臺的獨特之處在于它可以同時容納三種不同類型的"學習者"：真實的人類、外形酷似人類的仿人機器人，以及傳統(tǒng)的工業(yè)機器人臂。

這種設計的巧妙之處在于，它為比較不同類型智能體的學習能力提供了一個公平的"競技場"。就像在同一個考場里讓不同年級的學生做同樣的題目，研究人員可以直接觀察和對比人類與機器人在學習使用工具方面的差異，從而找出機器人需要改進的具體方向。

更重要的是，這個平臺特別強調(diào)了"低級操控"技能的重要性。這里的"低級"并不是指技能的價值低，而是指最基礎、最核心的手部協(xié)調(diào)能力。就像學習書法時必須先掌握握筆姿勢一樣，機器人要想靈活使用各種工具，首先需要掌握這些看似簡單但實際上極其復雜的基礎技能。

二、從人類行為中學習的智慧

研究團隊深知，要讓機器人學會像人類一樣使用工具，首先需要深入理解人類是如何做到這一點的。他們設計了一系列精心挑選的任務，這些任務涵蓋了日常生活中最常見的工具使用場景。

第一個任務是"打開抽屜"。這聽起來簡單，但實際上需要精確的力度控制和空間感知。人類在拉抽屜時會根據(jù)阻力的大小調(diào)整用力程度，當抽屜即將完全拉開時會減緩動作以避免撞擊。機器人要做到這一點，需要實時感知阻力變化并做出相應調(diào)整。

第二個任務是"插拔插頭"。這個動作要求操作者準確判斷插頭的方向，找到插座的位置，然后以合適的角度和力度完成插拔。人類可以通過觸覺反饋輕松完成這個任務，但機器人需要依靠視覺和力覺傳感器的精密配合。

第三個任務是"擰開瓶蓋"。這個看似簡單的動作實際上需要雙手的精密協(xié)調(diào)：一只手固定瓶身，另一只手旋轉(zhuǎn)瓶蓋，同時還要控制好力度避免瓶子滑落。

第四個任務是"撥動開關(guān)"。雖然動作幅度很小，但需要精確的位置控制和合適的力度。過輕可能無法觸發(fā)開關(guān)，過重可能損壞設備。

第五個任務是"從軟袋中倒出物品"。這個任務特別有挑戰(zhàn)性，因為軟袋的形狀會隨著內(nèi)容物的移動而改變，機器人需要實時適應這種變化。

第六個任務是"旋轉(zhuǎn)閥門"。這需要持續(xù)的旋轉(zhuǎn)動作和適當?shù)牧Χ瓤刂?，既要確保閥門能夠轉(zhuǎn)動，又不能用力過猛導致?lián)p壞。

為了收集人類在執(zhí)行這些任務時的詳細數(shù)據(jù)，研究團隊使用了先進的動作捕捉系統(tǒng)。這套系統(tǒng)就像是給人類的手部動作拍攝了一部"超高清慢動作電影"，記錄下每一個細微的動作變化。通過分析這些數(shù)據(jù)，研究人員發(fā)現(xiàn)了人類在使用工具時的一些關(guān)鍵特征：人類的動作通常很流暢，能夠預判工具的反應，并且會根據(jù)實時反饋調(diào)整策略。

三、仿人機器人的學習挑戰(zhàn)

在這項研究中，仿人機器人扮演了一個特殊的角色。它們的身體結(jié)構(gòu)與人類最為相似，擁有類似的手臂長度、關(guān)節(jié)數(shù)量和抓取結(jié)構(gòu)。從理論上說，它們應該最容易模仿人類的動作。研究團隊選擇了Unitree G1機器人作為主要的仿人測試對象，這款機器人在外形和功能上都盡可能地接近人類。

然而，現(xiàn)實往往比理論復雜得多。雖然仿人機器人在外形上與人類相似，但在執(zhí)行具體任務時卻面臨著許多獨特的挑戰(zhàn)。最明顯的差異來自于感知能力的不同。人類擁有極其敏感的觸覺系統(tǒng)，可以感受到物體的質(zhì)地、溫度、重量等多維度信息，而機器人的傳感器雖然精確，但在信息的豐富性和處理速度上仍有差距。

更關(guān)鍵的是，人類在使用工具時依靠的不僅僅是當前的感知信息，還有大量基于過往經(jīng)驗的直覺判斷。當我們拿起一把不熟悉的錘子時，我們會根據(jù)它的重量、材質(zhì)和手感快速調(diào)整握持方式和揮動力度。這種能力來自于多年的學習和積累，而機器人卻需要在極短的時間內(nèi)從零開始學習這些復雜的協(xié)調(diào)模式。

研究團隊發(fā)現(xiàn)，仿人機器人在學習過程中表現(xiàn)出了一些有趣的特點。在簡單任務上，比如打開抽屜，機器人能夠相對快速地掌握基本動作。但在需要精細力度控制的任務上，比如擰瓶蓋，機器人往往需要更長的學習時間，而且成功率明顯低于人類。

特別值得注意的是，機器人在處理"意外情況"時的表現(xiàn)與人類存在顯著差異。當任務環(huán)境發(fā)生微小變化時，比如瓶蓋比預期的更緊，人類會自然地調(diào)整策略，增加用力或改變握持方式。而機器人往往會繼續(xù)執(zhí)行原有的動作模式，直到明顯失敗后才會嘗試調(diào)整。

四、傳統(tǒng)機器人臂的獨特優(yōu)勢

與仿人機器人不同，傳統(tǒng)的工業(yè)機器人臂在設計理念上就與人類差異巨大。它們通常只有六到七個關(guān)節(jié)，結(jié)構(gòu)相對簡單，但在精度和穩(wěn)定性方面往往超越人類。研究團隊在測試中發(fā)現(xiàn)，這些機器人臂在某些特定任務上表現(xiàn)出了意想不到的優(yōu)勢。

在需要高精度定位的任務中，比如插拔插頭，機器人臂的表現(xiàn)往往優(yōu)于仿人機器人。這主要是因為它們的機械結(jié)構(gòu)更加穩(wěn)定，不容易受到微小震動的影響。而且，由于關(guān)節(jié)數(shù)量較少，控制算法相對簡單，學習過程也更加高效。

然而，機器人臂的局限性也很明顯。當任務需要復雜的多關(guān)節(jié)協(xié)調(diào)時，比如從軟袋中倒出物品，機器人臂就顯得力不從心。它們?nèi)狈θ祟愂滞蠛褪种傅撵`活性，無法像人類那樣通過微調(diào)手部姿態(tài)來適應不斷變化的任務需求。

研究團隊注意到一個有趣的現(xiàn)象：機器人臂在學習初期往往進步很快，但隨著任務復雜度的提高，它們的學習曲線會逐漸平緩。這與人類的學習模式形成了鮮明對比。人類在初期可能進步較慢，但一旦掌握了基本原理，就能快速適應各種變化。

這種差異反映了當前機器人技術(shù)的一個根本問題：它們擅長在結(jié)構(gòu)化環(huán)境中執(zhí)行精確任務，但在面對復雜多變的真實世界時，適應能力仍然有限。這也正是這項研究想要解決的核心問題之一。

五、人類智能的獨特之處

通過對比三種不同類型智能體的表現(xiàn)，研究團隊深刻認識到了人類智能在工具使用方面的獨特優(yōu)勢。人類不僅在單個任務的執(zhí)行效率上表現(xiàn)優(yōu)異，更重要的是在學習新任務和適應環(huán)境變化方面展現(xiàn)出了驚人的能力。

人類在執(zhí)行這些工具使用任務時展現(xiàn)出的第一個顯著特征是"預測性調(diào)整"。在還沒有真正接觸到工具之前，人類就會根據(jù)視覺信息對即將進行的操作做出預判。比如在擰瓶蓋任務中，人類會先觀察瓶蓋的大小和材質(zhì)，預估需要的力度，然后調(diào)整握持方式。這種預測能力讓人類的動作看起來非常流暢和自然。

第二個特征是"實時反饋整合"。人類能夠同時處理來自視覺、觸覺、聽覺等多個感官的信息，并將這些信息實時整合到動作控制中。當擰瓶蓋遇到阻力時，人類會立即感受到這種變化，并相應地調(diào)整用力方向和大小。這種多模態(tài)信息處理能力是當前機器人技術(shù)難以企及的。

第三個特征是"遷移學習能力"。一旦掌握了擰瓶蓋的基本技巧，人類可以很容易地將這種技能應用到擰其他類型的蓋子上，比如罐頭蓋或者藥瓶蓋。即使這些物品的大小、材質(zhì)或阻力都有所不同，人類也能快速適應。這種從一個任務到另一個任務的知識遷移，正是研究團隊希望機器人能夠?qū)W會的關(guān)鍵能力。

研究數(shù)據(jù)顯示，人類在所有六個測試任務中的成功率都在90%以上，而且平均完成時間明顯短于機器人。更重要的是，人類在面對任務變化時的適應速度遠超機器人。當研究團隊稍微改變?nèi)蝿諚l件，比如使用不同大小的瓶子或不同阻力的抽屜時，人類幾乎不需要額外的學習時間就能適應，而機器人則需要重新學習相當長的時間。

六、揭示學習算法的奧秘

為了讓機器人能夠像人類一樣學習使用工具，研究團隊開發(fā)了一套創(chuàng)新的學習算法。這套算法的核心思想是讓機器人通過觀察人類的示范動作來學習，而不是依靠傳統(tǒng)的試錯方法。

這種方法就像是讓機器人成為人類的"學徒"。在傳統(tǒng)的學徒制度中，新手通過觀察師傅的動作來學習技藝，然后在實踐中逐漸掌握技巧。研究團隊將這種古老而有效的學習方式轉(zhuǎn)化為了機器人可以理解和執(zhí)行的算法。

算法的第一步是"動作分解"。當機器人觀察人類執(zhí)行某個任務時，它不是簡單地記錄整個動作序列，而是將復雜的動作分解為一系列基本的運動單元。比如在擰瓶蓋任務中，算法會識別出"接近瓶蓋"、"調(diào)整抓取姿態(tài)"、"建立抓取"、"旋轉(zhuǎn)"、"釋放"等基本動作。

第二步是"關(guān)鍵點提取"。算法會識別出每個動作中最關(guān)鍵的時刻和位置。這些關(guān)鍵點就像是動作的"骨架"，為機器人提供了執(zhí)行任務的基本框架。同時，算法還會記錄下這些關(guān)鍵點之間的時間間隔和空間關(guān)系。

第三步是"參數(shù)學習"。機器人會學習在執(zhí)行每個基本動作時需要使用的力度、速度和精度參數(shù)。這個過程需要結(jié)合人類示范中的信息和機器人自身的物理特性。

第四步是"策略優(yōu)化"?；趶娜祟愂痉吨袑W到的基礎策略，機器人會通過自主練習來進一步優(yōu)化自己的執(zhí)行方式。這個過程中，機器人會逐漸發(fā)現(xiàn)哪些細節(jié)調(diào)整能夠提高任務成功率。

研究團隊發(fā)現(xiàn)，這種基于模仿學習的方法比傳統(tǒng)的強化學習方法效率高得多。傳統(tǒng)方法需要機器人進行數(shù)千次甚至數(shù)萬次的試錯才能掌握一個簡單任務，而新方法只需要觀察幾十個人類示范就能達到基本的執(zhí)行水平。

七、數(shù)據(jù)背后的深刻洞察

通過大量的實驗數(shù)據(jù)收集和分析，研究團隊獲得了許多令人深思的發(fā)現(xiàn)。這些數(shù)據(jù)不僅揭示了不同類型智能體在學習能力上的差異，還為未來的機器人發(fā)展提供了重要指導。

在任務成功率方面，數(shù)據(jù)顯示了明顯的層次差異。人類在所有任務中都保持了95%以上的成功率，表現(xiàn)出了穩(wěn)定而可靠的技能水平。仿人機器人的成功率在60%到85%之間變動，具體取決于任務的復雜程度。而傳統(tǒng)機器人臂的成功率范圍更廣，在簡單任務中可以達到80%以上，但在復雜任務中可能低至40%。

學習速度的對比更加引人深思。人類展現(xiàn)出了驚人的"一次學會"能力，在觀看一兩次示范后就能掌握基本技巧。仿人機器人需要觀察大約50到100次示范才能達到基本的執(zhí)行水平，而傳統(tǒng)機器人臂則需要更多的學習樣本。

特別有趣的是任務遷移能力的數(shù)據(jù)。當研究團隊引入任務變化時，人類的成功率幾乎沒有下降，顯示出了強大的適應能力。而機器人的成功率普遍下降了20%到40%，說明它們在應對變化方面還有很大的改進空間。

從執(zhí)行效率的角度看，數(shù)據(jù)揭示了另一個重要現(xiàn)象。人類的動作通常很流暢，很少有停頓或重復，這反映了高效的運動規(guī)劃能力。機器人的動作則經(jīng)常出現(xiàn)停頓、調(diào)整或重新開始，這說明它們在運動規(guī)劃和實時調(diào)整方面還需要改進。

研究團隊還分析了失敗案例的原因分布。對于機器人來說，最常見的失敗原因是力度控制不當，占所有失敗案例的40%左右。其次是位置精度問題，占30%左右。剩下的失敗主要由傳感器誤差和算法決策錯誤造成。這種分析為改進機器人性能指明了具體方向。

八、技術(shù)突破的實際意義

這項研究的技術(shù)突破遠不止于學術(shù)價值，它為未來機器人技術(shù)的發(fā)展開辟了新的可能性。通過建立人類、仿人機器人和傳統(tǒng)機器人臂之間的比較基準，研究團隊為整個機器人領域提供了一個清晰的發(fā)展路線圖。

在工業(yè)應用方面，這種基于觀察學習的技術(shù)可以大大降低機器人部署的成本和復雜度。傳統(tǒng)的工業(yè)機器人需要為每個新任務編寫專門的程序，這個過程往往需要專業(yè)工程師花費數(shù)周甚至數(shù)月的時間。而新技術(shù)讓機器人能夠通過觀察熟練工人的操作來快速學習新技能，大大縮短了部署周期。

在家用機器人領域，這項技術(shù)的意義更加深遠。未來的家用機器人需要在復雜多變的家庭環(huán)境中執(zhí)行各種任務，從洗碗做飯到整理房間。傳統(tǒng)的編程方式根本無法應對這種多樣性，而基于觀察學習的方法讓機器人能夠像家庭成員一樣，通過觀察和模仿來掌握各種家務技能。

醫(yī)療輔助是另一個極具潛力的應用領域。研究團隊的技術(shù)讓機器人能夠?qū)W習精細的操作技巧，這對于協(xié)助手術(shù)、康復訓練或老人護理等醫(yī)療場景具有重要價值。機器人可以通過觀察醫(yī)護人員的操作來學習各種醫(yī)療器械的使用方法，從而為人類提供更好的醫(yī)療服務。

在教育領域，這種技術(shù)也展現(xiàn)出了獨特的價值。機器人可以成為優(yōu)秀的教學助手，通過觀察教師的示范來學習各種教學方法，然后為學生提供個性化的指導。特別是在技能培訓方面，機器人可以反復演示標準動作，幫助學生掌握正確的操作技巧。

九、面向未來的挑戰(zhàn)與機遇

雖然這項研究取得了顯著進展，但研究團隊也清醒地認識到，讓機器人真正達到人類水平的工具使用能力還面臨著許多挑戰(zhàn)。這些挑戰(zhàn)既是技術(shù)難題，也是未來研究的重要方向。

感知能力的提升是首要挑戰(zhàn)。雖然現(xiàn)代機器人配備了各種先進的傳感器，但在信息處理的速度、精度和綜合性方面仍然無法與人類的感知系統(tǒng)相比。人類能夠同時處理視覺、觸覺、聽覺等多種感官信息，并在毫秒級的時間內(nèi)做出反應。要讓機器人達到這種水平，需要在傳感器技術(shù)、信息融合算法和計算硬件等多個方面取得突破。

運動控制的精細化是另一個重大挑戰(zhàn)。人類的手部擁有27個自由度，能夠執(zhí)行極其復雜和精細的動作。雖然一些高端仿人機器人已經(jīng)具備了相似的機械結(jié)構(gòu)，但在控制精度和協(xié)調(diào)性方面仍有差距。特別是在需要力度精確控制的任務中，機器人往往無法達到人類的水平。

學習效率的改進也是一個重要方向。雖然基于觀察的學習方法比傳統(tǒng)方法效率更高，但與人類的學習速度相比仍有很大差距。人類能夠從少量示范中快速提取關(guān)鍵信息，并靈活應用到新的情況中。要讓機器人具備這種能力，需要在學習算法、知識表示和推理機制等方面進行深入研究。

安全性和可靠性是實際應用中必須考慮的關(guān)鍵因素。在實驗室環(huán)境中，機器人的失誤可能只是影響實驗結(jié)果，但在真實應用中，任何錯誤都可能造成嚴重后果。如何確保機器人在各種復雜情況下都能安全可靠地工作，是這項技術(shù)走向?qū)嵱没仨毥鉀Q的問題。

盡管面臨這些挑戰(zhàn)，研究團隊對未來充滿信心。隨著人工智能、材料科學、傳感器技術(shù)等相關(guān)領域的快速發(fā)展，這些技術(shù)難題正在逐步得到解決。更重要的是，這項研究建立的比較框架為評估技術(shù)進展提供了客觀標準，有助于整個領域朝著正確的方向發(fā)展。

十、對人類自身的新認識

這項研究在推進機器人技術(shù)發(fā)展的同時，也讓我們對人類自身的能力有了更深刻的認識。通過與機器人的對比，我們發(fā)現(xiàn)人類在工具使用方面具有許多此前被忽視的獨特優(yōu)勢。

人類的學習能力令人驚嘆。我們能夠從極少的示范中快速掌握復雜技能，這種能力在機器人研究中被稱為"少樣本學習"。研究數(shù)據(jù)顯示，人類平均只需要觀看1到2次示范就能掌握基本的工具使用技巧，而機器人通常需要幾十甚至上百次的示范。這種差異反映了人類大腦在信息處理和知識整合方面的卓越能力。

人類的適應性同樣令人印象深刻。當任務環(huán)境發(fā)生變化時，人類能夠迅速調(diào)整策略，而不需要重新學習整個技能。這種能力來自于人類對任務本質(zhì)的深層理解，而不僅僅是對動作序列的機械記憶。機器人目前還難以達到這種理解水平。

人類的多任務處理能力也值得關(guān)注。在執(zhí)行工具使用任務時，人類不僅要控制手部動作，還要同時監(jiān)控任務進展、預判可能的問題、調(diào)整策略等。這種并行處理能力讓人類能夠在復雜環(huán)境中高效工作。

更有趣的是，研究揭示了人類技能中許多"隱性知識"的存在。這些知識很難用語言描述，甚至連人類自己都不一定意識到，但卻是成功完成任務的關(guān)鍵。比如在擰瓶蓋時，人類會根據(jù)瓶蓋材質(zhì)的微小差異調(diào)整握持方式，這種調(diào)整往往是下意識的。要讓機器人掌握這些隱性知識，需要更加精細的觀察和分析。

這項研究還讓我們認識到，人類的智能不僅體現(xiàn)在大腦的計算能力上，更體現(xiàn)在整個身體系統(tǒng)的協(xié)調(diào)配合中。人類的手部結(jié)構(gòu)、神經(jīng)系統(tǒng)、感知能力和認知功能形成了一個高度集成的系統(tǒng)，這種系統(tǒng)級的優(yōu)勢是機器人技術(shù)需要努力追趕的目標。

說到底，北京大學這項研究的價值不僅在于推進了機器人技術(shù)的發(fā)展，更在于為我們提供了一面鏡子，讓我們重新審視和認識人類自身的能力。通過建立人類與機器人之間的比較基準，研究團隊不僅為機器人的未來發(fā)展指明了方向，也讓我們對人類智能有了更深入的理解。

這種理解對于未來人機協(xié)作的發(fā)展具有重要意義。與其讓機器人完全模仿人類，不如發(fā)揮各自的優(yōu)勢，形成互補的協(xié)作關(guān)系。人類擅長創(chuàng)造性思維、復雜決策和適應性學習，而機器人擅長精確控制、重復操作和數(shù)據(jù)處理。通過合理的分工合作，人機協(xié)作系統(tǒng)能夠達到比單獨的人類或機器人更高的效率和能力。

這項研究為我們展現(xiàn)了一個充滿可能性的未來：機器人不再是冷冰冰的機器，而是能夠?qū)W習、適應和成長的智能伙伴。雖然這個目標的實現(xiàn)還需要時間，但研究團隊已經(jīng)為我們指明了前進的道路。隨著技術(shù)的不斷進步，我們有理由相信，那個人與機器人和諧共處、共同創(chuàng)造美好生活的未來正在向我們走來。對于那些想要深入了解這項突破性研究細節(jié)的讀者，可以通過搜索論文題目"ManiSkill-HAB: A Benchmark for Low-Level Manipulation in Humans, Androids, and Robots"來獲取完整的研究報告。

Q&A

Q1：ManiSkill-HAB是什么？它能測試什么能力？

A：ManiSkill-HAB是北京大學開發(fā)的一個綜合測試平臺，專門用來比較人類、仿人機器人和傳統(tǒng)機器人在使用工具方面的學習能力。它包含了打開抽屜、插拔插頭、擰瓶蓋等6個日常工具使用任務，可以客觀評估不同智能體的手部技能和學習效果。

Q2：機器人通過觀察學習比傳統(tǒng)編程方法有什么優(yōu)勢？

A：觀察學習讓機器人能像學徒一樣通過看人類示范來掌握技能，而不需要工程師為每個任務編寫復雜程序。這種方法的學習效率比傳統(tǒng)強化學習高得多，只需要幾十個示范就能達到基本水平，而傳統(tǒng)方法需要數(shù)千次試錯。

Q3：目前機器人在工具使用方面與人類差距有多大？

A：差距仍然很明顯。人類在所有測試任務中成功率都超過95%，而機器人成功率在40%-85%之間。更重要的是，當任務環(huán)境稍有變化時，人類幾乎不受影響，但機器人的成功率會下降20%-40%，說明適應能力還有很大提升空間。