加州大学伯克利分校副教授Pieter Abbeel的实验室正在开发小机器人“达尔文”(DARwIn-OP)，这“孩子”最近正在学走路，就像许多孩子一样，小达尔文走的也是摇摇摆摆的。但是每一次笨拙的动作都是机器人处理不熟悉或具有挑战性的环境的新尝试。机器人通过使用有点类似于儿童学习时的神经过程来学会执行新任务。直到前一阵儿，达尔文“小盆友”还得绑着跟绳子才能伸伸胳膊伸伸腿，勉强站da起来不跌倒。
这一小只机器人学走路使用了新的方法。这孩子是在控制几种神经网络来移动身体的。具体而言是这样的。达尔文的运动是由几个模拟神经网络算法模仿学习，通过以时间为变量加强或削弱发生在生物大脑之间的连接神经元的方式来应对外界信息的输入。这种极为复杂的神经网络算法,被称为深度学习网络，其中有很多层的模拟神经元。
举个例子，如果机器人想要学会站立或扭曲身体，它首先会执行一系列模拟，这是为了训练高层深度学习网络如何执行任务。研究者这时候就赋予了机器人一个“想象中的过程”，这就为机器人提供总体指导。而第二个深度学习网络是训练应对执行任务时对机器人的关节的动力学和真实环境的复杂性。
研究人员让机器人学会站立，当脚下的地面倾斜时也要保持正直。加州大学伯克利分校的博士后研究员Igor Mordatch说：“这个模拟实验大约持续一个小时。在这期间，达尔文要学习如何才能脚下不滑”。
Abbeel小组此前表明深度学习可以使一个机器人执行各类任务。Abbeel本人说：“我们试图能够处理更多的变化,现在只要一点点超出设计的变化对它来说都是很难的。”
这项新技术被证明可以用于任何机器人在各种真实的工作环境，但是目前，如何能让机器人走得更加自然优美恐怕是件极为有用的技术突破。他们现有的方法时设计一个算法，考虑其中的动力学过程，比如走路或跑步等等。
华盛顿大学计算机科学与工程系专门从事机器人感知和控制的迪特尔•福克斯教授认为神经网络学习在机器人领域有巨大的发展潜力。他说：“我对这整个研究方向非常感兴趣,如果你想在现实世界行动，问题总是会出现，因为模型不可能是完美的。机器学习，尤其是深度学习最有价值的地方就在于这个方法能让系统与实际环境做好交互”。
下面是步行机器人学习站立和步行的实验环节：
robot.tv