伯克利機器人消除了繁瑣的任務（也稱為布雷特），能夠以與人類的方式從反複試驗中學習。機械化可以通過實驗和記錄有效和無效的方法並相應地調整其行為來完善運動技能。
通常，機器人通過記錄以前動作的結果而無法學習簡單的任務。他們可以在裝配線上的繪畫車門或進行醫療測試等任務中表現出色。但是，新情況通常會導致機器人無法完成他們被命令執行的工作。
“深度學習”（基於人腦的神經迴路）中的算法現在，機械生物可以像人類一樣思考，在研究人員中，這是“人工智能領域的主要里程碑”。這可能有一天會導致能夠折疊洗衣服，更換燈泡，維修家用電器等的家用機器人的發展。
加州大學伯克利分校的研究人員通過讓Brett執行一系列任務來展示他們的新系統，其中包括組裝模型飛機和堆疊樂高積木，而無需收到有關其周圍環境的詳細信息。在過程中為每個完成的步驟記錄了一個分數，為布雷特提供了記錄成功率的手段。
“我們在這里報道的是一種新的方法，可以使機器人能夠學習。關鍵是，當機器人面對新事物時，我們不必對其進行重新編程。完全相同的軟件編碼機器人可以學習的方式，用於允許機器人從UC Berkeley學習所有不同的任務，”我們提供了所有不同的任務。 ”
與裝配線和關閉的醫療設施不同，房屋周圍的物體經常散落，並且隨著時間的流逝而在房屋周圍移動。這意味著家用機器人需要能夠適應不斷變化的條件。創建此靈活性的一種方法是編程具有各種可能場景的機器人，提供有關如何在每種情況下執行任務的說明。
Sergey Levine說：“儘管我們的所有多功能性，人類並沒有像瑞士軍刀一樣部署的行為曲目，而我們不需要編程。相反，我們從經驗和其他人類中學習了一生中的新技能，” Sergey Levine說，該項目的博士後研究員Sergey Levine說。
深度學習採用神經網，由人工神經元組成，這些神經元在視覺和聽覺格式中處理傳入數據，並彙編信息以識別模式。這種人工智能類似於人類大腦過程信息的方式，如果它們變得司空見慣，則可能是家用機器人所必需的。
研究人員將於5月28日在西雅圖舉行的國際機器人與自動化國際會議（ICRA）上介紹他們開發布雷特的結果。
