在模仿人類方面，機器人已經可以做到很多事情，比如搬運物體、模仿人類筆跡、調酒等，但對于稍微復雜一點的事情機器人就會遇到困難，比如在廚房里進行烹飪。
在模仿人類的動作時，機器人經常會被人們不經意完成的一些小動作所困擾，被分散對主要任務的注意力，比如挪動糖罐、翻找餐具等。
為了解決這個問題，工業機器人維修，華盛頓大學、斯坦福大學、伊利諾伊大學香檳分校、多倫多大學和英偉達的研究人員提出了一種“逆規劃”系統，通過一系列以廚房目標為條件的視頻演示來評估他們的技術，該團隊報告稱，他們的動作推理方法將任務成功提高了20%以上。
動作推理
動作推理能夠使得機器人在完全不同的環境中計劃執行、復制相同的目標。但研究人員表示，在一個雜亂的環境中，比如一個廚房，對象的配置方式可能會使得目標變得模糊。
在這種情景下，僅僅識別一個動作是不夠的，因為一個任務可能需要很多的動作。比如，為了拿起一把廚刀，人類可能會先挪開餐盤，掀起桌布，再從桌布下拿起廚刀。
MIT計算機科學與人工智能實驗室就有一個“自主機器人的任務和運動規劃”項目，KUKA機器人維修，表明“我們的目標是設計算法，使機器人能夠在人類環境中操作，同時推理高級任務動作和低級動作”，例如，讓一個機器人在家庭廚房中自主做飯。
為了完成這樣的任務，它必須考慮高層次的目標，比如需要哪些成分;同時還有低層次的目標，比如如何拿到這些成分。通常，低層次目標的可行性會影響高層次目標，比如拿到一種配料可能需要機器人打開冰箱門、移開幾樣擋在前面的東西。
對于人類來說，做到這些事情似乎是自然而然的。在已知的宇宙中，人類的大腦是最復雜的東西之一，擁有數以十億計的神經元，每個神經元都和數千神經元相聯系。科學家已經精確地找到大腦中負責特定任務的不同中心，但在領會神經元網絡如何相互協作以完成這些任務方面，仍然缺乏有效的研究手段。
機器人“學做飯”
在這個實驗中，研究人員為人工智能系統準備了一個真實的視頻演示，他們讓它學習一個有著24個任務的烹飪目標，關于一個人類廚師準備倒入配料，這些配料最初被三個物體阻擋，包括一個餅干盒、一個芥末瓶和一個糖盒。
研究人員說，他們的完整模型明確地對演示中的物體進行了運動推理，工業機器人維修，因此不會盲目地把所有的物體運動都當作故意的。
此外，他們注意到，它使模仿學習在不同的環境中成為可能。盡管視頻中的人操作了一個對象(即糖盒)，系統還是成功歸納了正確的目標。雖然糖盒出現在廚房里，但機器人意識到它不需要移動它，因為糖盒并沒有擋住所需的配料。
“我們的研究結果表明，這使得我們能夠顯著地超越之前的方法，即基于運動規劃或任務規劃來推斷目標，”合著者寫道。
這項研究將有利于人工智能在往通用人工智能發展的道路上更進一步。
此前，美國威斯康星大學麥迪遜分校的一個研究小組已經在機器人模仿人類敲雞蛋、擰瓶蓋、擺放盤子方面取得了進展，市面上也已出現了不少能夠根據預設菜譜做飯的機器人，還有會研究餡餅食譜的機器人、能制作飯團和壽司的機器人等。
或許有一天機器人真的能走入我們的家中，像家人一樣為我們做出各種各樣的美食。