Hvordan robotter lærer: En kort nutidshistorie

Fra drømmende mål om sci-fi‑robotter til praktiske industriløsninger: forskningen gik fra hånddesignede kontrolsystemer til data- og læringsbaserede metoder. I dag bruger robotter maskinlæring—særligt dyb læring og forstærkningslæring—samt imitation, selv‑supervision og sim‑til‑real-teknikker for at tilegne sig komplekse færdigheder. Store datamængder, simulering, domain randomization og transfer learning mindsker samplebehov og reducerer sim‑til‑real‑gabet. Målet er adaptive, effektive systemer til praktiske anvendelser frem for perfekte menneskelignende kroppe.