（来自：MIT / CSAIL）
虽然迷你猎豹算不上是当今最快的四足机器人，但麻省理工学院的 Improbable AI 实验室和美国国家科学基金会（NSF）旗下的人工智能与基础交互研究所（IAIFI），还是赋予了其更强的灵活性。
Mini Cheetah robot runs faster than ever - MIT CSAIL（via）
在近日分享的一段新视频中，可见到这台机器人在撞到障碍物后迅速绕过，以及自主学习适应湿滑结冰路面、以及松散的砾石山丘等地形。在一套简单的神经网络的加持下，它能够对错综复杂的新环境展开相应的评估。
通常情况下，机器人都是在一套系统的指引下移动的。该系统会参考机械肢体是如何移动的，来分析并制作指导用的模型数据。但在实际应用中，这些模型往往效率低下、且在应对意外状况时不够全能。
尤其当机器人已最高速度运行时，系统硬件更是面临极限压力，使得环境建模变得更加困难。为了克服这方面的短板，MIT 研究团队选择了一套独特的“经验学习”系统。
相比之下，类似波士顿动力公司的 Spot 之类的机器人，依赖于人工去分析运动的物理特性、并手动配置机器人的软硬件和分析设计参数。
基于此，MIT 的迷你猎豹机器人可以通过反复试验来自主学习，而无需人工介入。在积攒了对不同地形的足够经验后，它便可在后续工作中自动改进其行为，甚至无需在现实生活中积累这方面的经验。
研究人员称，通过模拟，迷你猎豹机器人可在静止不动的三个小时内，迅速积累 100 天的经验。MIT博士生 Gabriel Margolis 与 IAIFI 博士后研究员 Ge Yang 补充道：
我们开发的这种方法，可通过模拟经验来改进机器人的行为，同时适用于在现实世界中成功落实这种学习行为。
背后原理是机器人能够在模拟器中看到所有环境信息，且系统会教授它们在可现实世界中分辨并识别的实用技能。
有了这样一套系统，研究人员还希望继续扩大技术的规模，且这是传统方法难以轻易做到的。
最后，Margolis 和 Yang 补充道：
想要构建具备多种不同技能的机器人，一种更加实用的犯法，就是告诉机器人该做什么、以及学会如何去做。我们的系统，就是一个很好的例子。
在实验室中，我们已开始将相关范例应用于其它机器人系统，包括可以拾取并操纵不同物体的机械臂。