为了让机器人能够像人类一样在飞行中学习，一种新的方法扩展了机器人的训练数据集，这些机器人可以处理绳索和织物等软物体，或者在混乱的环境中工作。

由密歇根大学的机器人研究人员开发，它可以将学习新材料和环境的时间缩短到几个小时。

在模拟中，扩展的训练数据集将机器人在发动机缸体上绕绳的成功率提高了40%以上，并将物理机器人完成类似任务的成功率提高了近一倍。

这项任务是机器人机械师需要轻松完成的任务之一。但是使用今天的方法，学习如何操纵每个不熟悉的软管或皮带，将需要大量的数据，可能需要几天或几周的时间。

事实上，人类机械师可能不会对需要这种时间的机器人同事感兴趣。因此，贝伦森和机器人学博士生彼得·米特兰诺在一个最优化算法，让计算机能够像人类一样做出一些归纳、预测如何力学在一个实例中观察到的可能在其他实例中重复。

在一个例子中，机器人在拥挤的表面上推动圆柱体。在某些情况下圆筒没有撞到任何东西，而在其他地方，它与其他圆柱体相撞，它们相应地移动。

如果圆柱体没有碰到任何东西，这个运动可以在桌子上的任何地方重复，只要轨迹没有把它带到其他圆柱体。这对人类来说是直观的，但机器人需要获得这些数据。米特兰诺和贝伦森的程序可以在第一次实验结果的基础上创造变化，以同样的方式为机器人服务，而不是做耗时的实验。

他们专注于捏造数据的三个品质。它必须是相关的、多样的和有效的。例如，如果你只关心机器人在桌子上移动圆柱体，地板上的数据是不相关的。另一方面，数据必须多样化——表格的所有部分、所有角度都必须探索。

对于绳子的模拟和实验，Mitrano和Berenson通过将绳子的位置外推至物理空间的虚拟版本中的其他位置来扩展数据集，只要绳子的行为与最初的情况相同。仅使用初始训练数据，模拟机器人在48%的时间里将绳索钩在发动机缸体周围。在对增强的数据集进行训练后，机器人的成功率为70%。

一项用真实机器人探索即时学习的实验表明，启用机器人以这种方式扩展每一次尝试，在30次尝试的过程中，成功率几乎翻倍。