对物理定律有直观理解的机器人可能听起来像Isaac Asimov小说中的某些东西，但谷歌机器人部门的科学家们说他们基本上创造了它们。他们认为，在这样做的过程中，他们可能为未来能够学习投掷，滑动，旋转，摆动，捕捉和其他运动技能的系统奠定基础，这些技能目前对即使是功能最强大的机器也构成了挑战。

“尽管在使机器人有效掌握物体，视觉上自我适应甚至从实际经验中学习方面取得了相当大的进步，机器人操作仍需要仔细考虑如何拾取，处理和放置各种物体 - 尤其是在非结构化设置中，“谷歌学生研究员Andy Zeng在博客中写道。“但是机器人不仅可以容忍动力学，而且可以学会有利地使用它们，开发物理学的‘直觉’，使他们能够更有效地完成任务？

为了回答这个问题，Zeng和他的同事们与普林斯顿，哥伦比亚和麻省理工学院的研究人员合作开发了一个他们称为TossBot的拾取器机器人，该机器人学会抓住并将物体扔到其“自然范围”范围之外的盒子里。它不仅是以前最先进型号的两倍，而且实现了两倍的有效放置范围，而且可以通过自我监督来提高。

投入可预测性并不容易 - 即使对人类也是如此。抓握，姿势，质量，空气阻力，摩擦力，空气动力学以及无数其他变量会影响物体的轨迹。通过反复试验对射弹物理进行建模是可能的，但曾梵志指出，它计算成本高，需要大量时间，并且不会产生特别普遍的政策。

相反，TossingBot使用射弹弹道模型来估计将物体送到目标位置所需的速度，并使用端对端神经网络 - 以生物神经元为模型的数学函数层 - 对来自头顶的视觉和深度数据进行训练用于预测该估计值之上的调整的相机。Zeng表示，这种混合方法使系统的投掷准确率达到85%。

教学TossingBot抓住物体有点棘手。它首先尝试“坏”抓取，直到它识别出更好的方法，同时通过偶尔随机投掷物体以及以前没有尝试过的速度来提高其投掷能力。经过大约14个小时的10，000次抓握和投掷尝试后，TossingBot可以在87%的时间内牢牢抓住杂乱堆中的物体。

也许更令人印象深刻的是，经过一两个小时的训练，TossingBot可以适应前所未有的位置和假水果，装饰物品和办公物品，使用类似的，几何上更简单的小玩意儿。“TossingBot可能学会更多地依赖几何线索（例如形状）来学习抓握和投掷，”Zeng说。“这些新兴的功能是从头开始隐式学习的，除了任务级别的抓取和投掷之外没有任何明确的监督。然而，它们似乎足以使系统能够区分对象类别（即乒乓球和标记笔）。“

研究人员承认，TossingBot尚未使用脆弱的对象进行测试，并且使用严格的可视化数据作为输入，这可能会妨碍其在测试中对新对象做出反应的能力。但是他们说基本的自负 - 结合物理学和深度学习 - 是未来工作的一个有希望的方向。