编者按：该路线图由来自美国多所高校的150余名研究人员共同起草完成。第一版机器人路线图发布于2009年，并促成了美国“国家机器人计划”的出台。新版本的路线图更新了对各种类型机器人领域涉及关键技术的发展路线预测，指出了目前这些领域的技术现状、存在的主要问题，以及未来5~15年的发展目标。路线图还根据机器人领域最近期的发展态势，以及社会经济的发展需求，呼吁为自动驾驶汽车、无人机等新兴技术建设更好的政策框架，推动技术的商业化、实用化。本期专题对路线图关注的主要领域的未来发展做了介绍。
五、学习与适应
让机器人顺利地完成任务需要满足一些特定条件，例如指导其行动的动力学模型、使其感知物体的传感模型、清晰的既定目标，以及小范围或结构化的问题域，使其计划和感知算法能够形成解决方案。但在许多应用中，这些条件并不是总能够被满足，如手术机器人无法对其需要接触的人体组织间的相互作用进行建模；服务机器人无法适应环境的不确定性；家政机器人打扫房间的方式无法满足主人的需要；工业机器人无法在新产品推出使适应新的任务等等。因此需要机器学习来适应这些情况，使机器人能够从自己的经验中学习，甚至向人类学习。
5.1 从示范中学习
从示范中学习：让机器人从示范中进行学习，相比重新编程而言，能够让终端用户更有能力教机器人如何行动。通过这种途径，能够以物理方式指导机器人使其重复动作并适应环境。这一领域的挑战包括分析任务结构（识别任务的目的和子目标），处理运动学以外的问题（学习机器人需要掌握的力学信息），并能够通过直接观察人来学习。人们需要展开更多研究，使机器人学习示范动作的算法更容易被非专业人士所掌握。此外，机器人学习和适应人们在处理任务时的偏好也很重要，虽然这一点并不一定会影响到能否成功完成任务，但对于某些情况，特别是合作型机器人和服务型机器人，适应终端用户的想法是获得接纳的重要因素。
5.2 强化学习与深度学习
近年来，采取直接从经验中学习的策略被证明是很成功的一条研究路径。深度学习的策略取得了非常令人震惊的成果，如机器人AI能够以人类水平玩电玩游戏Atari、Alpha Go战胜李世石等。此外其他领域诸如计算机视觉、语音识别、自然语言处理等都从深度学习中获益匪浅。
但是，真实的物理世界的结构化程度相比游戏或围棋要低得多，并且物理世界包含了连续的、高维度的状态与行为空间。而且在物理世界需要做出实际的物理行为来获取数据，而不仅限于模拟计算。因此，要想借助机器学习来帮助真实的物理机器人完成复杂任务，还存在许多研究方面的挑战，其中包括：对学习系统不确定性的良好评估；向新的任务领域的推广；在数据稀少而昂贵的领域进行学习；将基于模型的推理和深度学习二者相结合等。
六、运动控制与规划
未来的机器人将需要更高级的运动控制和规划算法，用来处理具有更大不确定性、更高容错率，以及具有更高自由度的单智能体（single agent）和多智能体（multi agents）系统，并且能够在各种设定下安全、可靠地完成工作。移动机械臂的末端执行器需要能够在非结构化和受限环境中有效地规划和执行精细操纵和抓取任务。有些机器人可能有12个自由度，一些拟人类人型机器人可能有多达60个自由度用于控制和协调。而另一种极端情况是多agent机器人和群体机器人，他们需要协调几个甚至几千个agent。
未来的机器人技术需要同时考虑解决控制和规划两方面的问题，而不再将其单独考虑。未来的运动规划方法需要使用更新的技术，包括数学拓扑、基于样本的规划方法等等，以有效应对未来机器人所处的高维度环境和交互空间。
6.1 不确定情况下的任务和运动规划
由于缺少精确的传感器，为了使机器人在不确定环境下安全稳定地运作，必须对算法进行设计。近年来在这方面的进展还只能够让机器人在非常结构化的环境下执行简单的任务。未来需要开展更多的研究，开发能够处理非结构化环境中的实际问题的信念空间规划算法（algorithms for planning in beliefspace）。这些方法必须能够在与人类密切接触和合作的情况下实现实时运行。它们还需要在提供安全性和鲁棒性保证的同时，适应那些不完整、不准确和间歇性的传感器数据。最后，需要将包含不确定性的任务和运动规划进行原则性整合，使机器人的自主化水平达到在非结构化环境下能够成为人类有用伙伴的水平。
6.2 从规范到部署
控制设计在很大程度上依赖于理想化的物理模型。为了显著加快设计周期，需要工具能够自动化地以合适的方式弥补理论与实践之间的差距，这些工具包括：形式化方法、混合计算模型，以及能够实时适应环境变化的控制协议等。
6.3 在约束环境中的控制与规划
对机器人控制规划的约束呈现为许多不同的形式，包括机器人力所能及的物理限制、工作地点中的障碍物、能源约束，或者各种限制机器人致动的动态约束等。目前已经有部分约束优化方法被应用在静态环境、短时间任务或小运动量的情景之中，但在外科手术、服务行业，或者长持续时间、环境动态的制造应用中，相关研究较少。对机器人进行约束优化的下一步工作，是将约束任务有效地融入连续运动的规划算法中，使其能够对动态约束进行预测和响应，并在长时间段内保持稳定。
6.4 操控
在物理世界中，操控和抓握是机器人的基本工作能力。当前的算法只能够在相对简单的环境下胜任，比如针对小型的常规的几何形状，进行准静态动作等。未来的研究需要针对复杂和独特的几何形状，研究开发机器抓握相关规划和度量技术。需要进一步改进用于接触任务的有关技术，这些技术主要用于操纵可变形物体、非抓取动作和工具，以及用于动态运动。为实现安全操作，还需要制定鲁棒性和故障检测与恢复相关的策略。
6.5 动态环境
动态环境下的操纵任务，往往需要机器人面对敏感的环境、与人类或其他机器人互动、移动障碍物等，而这些行为需要机器人对其潜在行为缺少明确知识的情况下做出。目前，人们只在小规模动态环境建模方面取得了一些进展，机器人在低维度环境下能够做出比较有效的长期计划。未来，机器人在面对动态环境时的一个技术挑战是，需要解决可扩展性问题和不确定性问题，其中可扩展性指需要处理多个、异质的动态对象和agent，不确定性指复杂或不可预测的动态情况，这些问题需要机器人系统实时地进行重新规划和适应。
6.6 多agent协调
多agent协调通常出现在制造业和仓储管理、网络机器人部署、灾难监控、建筑机器人等应用中。多数的多agent协调方式来源于自然界启发，通常分为中央智能协调方式，以及去中心化智能协调方式两种，这两种方式各有优劣。未来在多agent协调方面的研究方向主要包括：能够同时发挥中央智能和局部行为两种协调方式优势的实时协调方法；可向某些最佳行为收敛的形式方法；以及异质agent在与其邻近机器人执行复杂任务序列时的规划。
七、人机交互
7.1 接口设计
机器人界面仍然处于开发初期，需要开展广泛研究来开发可直接应用于人-机器人界面的原理和指南。
7.2 感知、建模和适应人类
需要广泛研究开发针对人类生理学和行为的感测与感知技术，以及在特定任务、应用和领域背景下对所感知的内容进行解释的模型。机器人需能够识别和理解它们所感知的东西，还能够估测用户意图，以便主动规划出自身行为。此外，为了使机器人能够适应用户的行为变化以及不同用户的需求，需要开发自适应动作模型，以及实现可定制化。
7.3 社交性
为了使机器人能够理解人类社会行为，展开社交行为并遵循社交规范，必须使机器人能够理解复杂对话、解释和产生丰富的非语言线索，理解和表达情感。实现这些需要研究开发非常详细的面向语言和非语言交互行为的识别、综合语对话模型，还需要创建模型来帮助机器人适应不断变化的语境规范。
7.4 协作系统
开发方法和模型，使机器人能够感知和解释变化的任务环境及其人类伙伴，还需要自适应地规划其在任务中的作用。
7.5 机器人媒介通信
机器人作为一种交流的通信媒介，需要解决的问题是如何更好地将媒介机器人系统更好地集成到所处的环境当中，为通信双方用户提供更加自然的接口，并解决隐私、安全、公平等问题。此外，自主性和良好的用户界面设计也是重要的研究问题。
7.6 共享自主
研究开发新的方法，使机器人能够利用来自用户的广泛的控制信号，包括来自脑-机接口的输入信号。此外，还需要推动复杂场景下不同级别的共享控制技术。
7.7 长期交互
为使机器人能够了解并适应不断变化的用户需求、行为模式和能力，机器人需要维持长期交互，不断学习新任务、新的用户模型和交互策略，并将其所学转移到新的替代产品中，这方面的相关研究极少，因此需要开展广泛研发，并进行纵向现场测试。
7.8 安全性
开展广泛研究，以制定机器人必须遵循的规范设计指南。
八、agent机器人
8.1 分布式控制和决策
开发分布式决策算法，利用单体agent的有限信息，从局部规则的集合中产生所需的全局行为。开发有效的算法框架，将高层级的多agent机器人群体行动规范与低层级的分布式控制算法纳入其中。
8.2 集中/分散混合式信息交换机制
建立有效的抽象化或系统化算法，用于描述或利用集中/分散二者混合的信息交换机制。其次，了解哪些信息需要以集中的方式进行共享，哪些信息可在本地存储。
8.3 人-群体机器人交互
人机交互已经较为成熟，但人类操作员如何与群体机器人交互的问题在很大程度上仍然没有得到解决。从认知工作负载到带宽管理角度来看，尚无法构建出有效的交互模型。
8.4 异构网络
人们还无法完全理解如何很好地去利用异构群体机器人。对于特定任务，需要何种类型的机器人？如何表征机器人群体的异构程度？为了在任务中实现最大的灵活性，一个机器人群体应该达到怎样的异构程度？目前这些都存在问题。
8.5 多机器人系统中的通信和感测
从根本上理解机器人网络系统中感测、通信、导航模块之间的相互作用。
