伯克利机器人消除了繁琐的任务（也称为布雷特），能够以与人类的方式从反复试验中学习。机械化可以通过实验和记录有效和无效的方法并相应地调整其行为来完善运动技能。
通常，机器人通过记录以前动作的结果而无法学习简单的任务。他们可以在装配线上的绘画车门或进行医疗测试等任务中表现出色。但是，新情况通常会导致机器人无法完成他们被命令执行的工作。
“深度学习”（基于人脑的神经回路）中的算法现在，机械生物可以像人类一样思考，在研究人员中，这是“人工智能领域的主要里程碑”。这可能有一天会导致能够折叠洗衣服，更换灯泡，维修家用电器等的家用机器人的发展。
加州大学伯克利分校的研究人员通过让Brett执行一系列任务来展示他们的新系统，其中包括组装模型飞机和堆叠乐高积木，而无需收到有关其周围环境的详细信息。在过程中为每个完成的步骤记录了一个分数，为布雷特提供了记录成功率的手段。
“我们在这里报道的是一种新的方法，可以使机器人能够学习。关键是，当机器人面对新事物时，我们不必对其进行重新编程。完全相同的软件编码机器人可以学习的方式，用于允许机器人从UC Berkeley学习所有不同的任务，”我们提供了所有不同的任务。”
与装配线和关闭的医疗设施不同，房屋周围的物体经常散落，并且随着时间的流逝而在房屋周围移动。这意味着家用机器人需要能够适应不断变化的条件。创建此灵活性的一种方法是编程具有各种可能场景的机器人，提供有关如何在每种情况下执行任务的说明。
Sergey Levine说：“尽管我们的所有多功能性，人类并没有像瑞士军刀一样部署的行为曲目，而我们不需要编程。相反，我们从经验和其他人类中学习了一生中的新技能，” Sergey Levine说，该项目的博士后研究员Sergey Levine说。
深度学习采用神经网，由人工神经元组成，这些神经元在视觉和听觉格式中处理传入数据，并汇编信息以识别模式。这种人工智能类似于人类大脑过程信息的方式，如果它们变得司空见惯，则可能是家用机器人所必需的。
研究人员将于5月28日在西雅图举行的国际机器人与自动化国际会议（ICRA）上介绍他们开发布雷特的结果。
