به گزارش گروه علم و آموزش ایرنا از پایگاه خبری ساینس دِیلی (Science Daily)، ربات به دانشمندی نگاه کرد که درِ یخچال را باز کرد. حرکات او، چرخش در، مکان یخچال و بقیه داده‌ها را ضبط کرد. سپس، این داده‌ها را تجزیه و تحلیل و خود را برای تقلید از آنچه او انجام داده بود، آماده کرد. در ابتدا، شکست خورد. گاهی اوقات نمی‌توانست دسته یخچال را در دستش بگیرد، آن را از جای اشتباهی می‌گرفت یا به اشتباه آن را می‌کشید؛ اما پس از چند ساعت تمرین، موفق شد و در را باز کرد.
شیکار بال (Shikhar Bahl) دانشجوی دکتری در مؤسسه روباتیکز دانشکده علوم کامپیوتر دانشگاه کارنگی ملون در آمریکا است. بال و همکارانش تلاش می‌کنند یک روش یادگیری جدید برای ربات‌ها طراحی کنند که وِرل (whirl) نامیده می‌شود. این کلمه مخفف «آموزش ربات تقلیدکننده از انسان در طبیعت» است. وِرل یک الگوریتم کارآمد برای تقلید بصری تک‌شات است.
او می‌گوید: یادگیری ربات‌ها از طریق تماشای مستقیم انسان‌ها یک مشکل حل‌نشده است؛ اما این پژوهش گامی مهم در ایجاد این توانایی است.
ربات‌ها می‌توانند به صورت مستقیم از ویدیوهای تعامل انسانی بیاموزند و آن اطلاعات را به کارهای جدید تعمیم دهند. این کار، ربات‌ها را برای یادگیری کارهای خانه مناسب‌سازی می‌کند.
مردم به طور مداوم، کارهای مختلفی را در خانه‌های خود انجام می‌دهند. با روش یادگیری ورل، ربات‌ها می‌توانند آن وظایف را مشاهده و داده‌های ویدیویی لازم را جمع‌آوری کنند تا در نهایت نحوه تکمیل کار برای آنها مشخص شود.
این گروه پژوهشی یک دوربین و نرم‌افزارشان را به یک ربات آماده استفاده اضافه کردند. ربات یاد گرفت که چگونه بیش از ۲۰ کار را انجام دهد: از باز و بسته‌کردن وسایل و درهای کابینت و کشوها گرفته تا گذاشتن در روی قابلمه‌ها، هل‌دادن صندلی‌ها و حتی خارج‌کردن کیسه زباله از سطل.
هر بار، ربات یک انسان را تماشا می‌کرد که کاری را انجام می‌دهد؛ سپس آن کار را تمرین می‌کرد و یاد می‌گرفت تا آن را به‌تنهایی انجام دهد. این گروه پژوهشی، تحقیقات خود را در کنفرانس رباتیک: علم و سیستم‌ها (Robotics: Science and Systems) در نیویورک ارایه کرد.
پژوهشگران می‌گویند: این کار، راهی را ارائه می‌کند تا به‌وسیله آن ربات‌ها را به خانه‌ها بیاوریم. به جای اینکه منتظر بمانیم ربات‌ها برنامه‌ریزی شوند یا آموزش ببینند تا وظایف مختلفی را با موفقیت انجام دهند و سپس در خانه‌های مردم به‌کار گرفته شوند، می‌توانیم با این فناوری در حالی که ربات‌ها در خانه‌های مردم هستند به آنها آموزش دهیم چگونه کارها را انجام دهند و هم‌زمان با محیط خود سازگار شوند و فقط با نگاه‌کردن ارتقا پیدا کنند.
روش‌های فعلی برای آموزش یک کار به ربات، معمولاً مبتنی‌بر تقلید یا یادگیری تقویتی است. یادگیری تقلیدی یکی از گرایش‌های یادگیری ماشینی است که از روانشناسی رفتارگرایی الهام می‌گیرد. در یادگیری تقلیدی، انسان‌ها به صورت دستی یک ربات را به‌کار می‌گیرند تا به آن آموزش دهند چگونه یک کار را کامل کند.
این فرایند باید چندین‌بار برای یک کار واحد قبل از یادگیری ربات انجام شود. در یادگیری تقویتی، ربات معمولاً در شبیه‌سازی روی میلیون‌ها مثال آموزش می‌بیند و سپس از آن خواسته می‌شود تا آموزش را با دنیای واقعی تطبیق دهد.
با روش ورل، ربات می‌تواند از هر ویدیویی که یک انسان را در حال انجام کار نشان می‌دهد، یاد بگیرد. به راحتی مقیاس‌پذیر است، به یک کار خاص محدود نمی‌شود و می‌تواند در محیط‌های خانگی واقع‌گرایانه عمل کند.