几十年来，机器人专家在预测性数学模型（称为经典控制理论）基础上建立软件，以此来引导机器人肢体的行动。但是这种方法在引导机器人肢体完成行走、攀爬和抓取这些看似简单的问题上却没什么用。

最近，Hwangbo等人在Science Robotics杂志上发布的文章，是这个问题的研究出现了新进展：某种机器人软件设计方法需要数据驱动，而这种方法正好能够克服机器人和人工智能研究领域中长期存在的一个挑战，即模拟与现实之间的差距。

机器人通过模拟来当它的引导软件在虚拟世界中表现良好时，该软件就会被放置在机器人体内，然后随机器人一起进入现实世界。

在现实世界里，机器人难免会不断地遇到难以预测的状况，包括表面摩擦、结构灵活性、振动、传感器延迟以及具有时差的执行器，一般执行器将能量转化为运动指令。

但这些状况是不可能事先由数学运算详尽描述的。因此，即使是在模拟中表现出色的机器人，遇到一些看似微小的物理障碍后也会磕磕绊绊，甚至摔倒。

Hwangbo等人将经典控制理论与机器学习技术相结合，研究出一种缩小类似差距的方法。

首先，该团队设计了一个中型四足机器人的传统数学模型。

接下来，他们从引导机器人肢体运动的执行器中收集数据。

然后，他们将收集的数据输入被称为神经网络的机器学习系统中，建立第二个模型，而这个模型可以自动预测AMYmal机器人肢体的特殊运动。

最后，该团队将训练好的神经网络插入第一个模型中，并在标准台式计算机上运行混合模型。

混合模拟器比基于分析模型的模拟器速度更快，精准度更高。更重要的是，机器人的运动在混合模拟器中优化之后，转移进机器人体内，并连入现实世界，这时，机器人在现实世界的行动就像在模拟器里一样成功。

Hwangbo等人使用的方法还暗示了机器人领域的另一个重大转变。

混合模型的出现是这一重大转变的第一步。下一步将是彻底淘汰分析模型，取而代之的是机器学习模型，这种模型将由机器人在现实环境中所收集的数据进行训练。

未来的机器人的行走不再依赖专家，相反，他们可以利用自己身体里的数据进行学习，这对人类来说真的是好事吗？