比如运用模拟手臂，按照正确的顺序，即使没有见过这各任务，也能从零开始学习，并按要求顺利地把物体举起来。这样就能在无需额外编程的前提下，完成整理桌面这样的复杂任务。
此外，乔治亚理工学院将布料引入学习框架，教机器人学会穿衣服的论文也非常别出心裁。
因为衣服的布料材质各不相同，穿衣服的动作也无法遵循特定的运动轨迹，会和布料产生复杂的交互变化，机器人必须不断练习，对各个子任务（拽起边缘、扯平衣角等）进行模拟和优化，在不断变化的环境条件中学习到稳定的创意控制策略，最终完成穿不同衣服的任务目标。无论衬衫、套头毛衣，还是外套，都是妥妥滴！
听起来，好像大部分家务活儿机器人都可以驾驭嘛，但杯具的是，现实中能够见到的家务机器人，干起活来依然是一副又慢又笨的蠢样子。
比如由伯克利设计、Rethink Robotics公司开发的家庭助手，叠一个毛巾就要15分钟；而加州 FoldiMate推出的智能洗叠机器，可以按照程序把衣服叠成需要的方块，但需要人手动放置在展台上，并没有节省多少人力，售价还高达980美金（约7000块人民币）……emmmm还是自己动手丰衣足食吧。
不是比人慢，就是比人贵，靠机器人做家务性价比实在是太低了。那么，既然不能真的帮人类做家务，教机器人学习这些技能，究竟有何意义？
为什么是做家务，去工厂搬砖不行吗？
这么多研究人才齐上阵，要是去教小学生，怕是都能考上清华了。实在不行，去工厂搬砖也能缓解下劳动力紧张啊，干嘛非要跟家务活儿较劲呢？原因恐怕在于，家政任务提供了一个从零开始学习复杂控制任务的训练环境，这对通用机器智能来说至关重要。
首先，家政任务的真实性和多样性，有助于智能体学会如何用最少的先验知识来解决复杂问题。
先验知识指的是一种不依赖于经验总结（类似编写好的程序，从结果推导过程）的一种元能力，通过观察学会推理和判断。而机器人就没有这种“天生的”知识，但显然我们也不可能将机器人服务的每个家庭、每个可能任务都进行预先编程，这时，训练机器人的通用能力就显得尤为关键了。
尽管机器永远不可能拥有像人一样的先验能力和通用性，在各个学科、各个工作岗位都能表现差不多。但在很多垂直领域，比如工业、家务、语言等，先验能力强的机器智能体就可以低成本、高适应性、灵活地完成工作任务，解决那些现在只有人才能解决的问题。
另外，家政任务是一个集视觉、触觉、运动、关节控制等为一体的任务，综合性很强，这是其他碎片应用不具备的环境，对训练多元功能协作的智能体很有帮助。
比如伯克利教机器人从垃圾桶中拾取原本看不见的物体，就需要通过摄像头采集深度图像，形成模拟数据集，再利用该数据集训练质量卷积神经网络(GQ-CNN)，对物体进行图像分割，确定抓取尝试成功的可能性，最后形成抓取成功概率最高的策略，再对夹持器关节进行实时精密控制，才能最终完成这一操作。一次训练，多种收获。
更重要的是，家务的操作环境比起工业机器人、电子游戏等，都更加松散，充满变化，任务的主观预期和隐藏含义更难界定和预测，无形中加大了训练难度。与此同时，家政任务的训练成本也比较低，也更容易为大众所理解，社会效益和营销价值双丰收。
相比对机器狗拳打脚踢、在《Dota》中血虐真人玩家，让机器做做家务简直堪称是最政治正确、价廉物美的训练方式了。
醉翁之意：做完家务，这些研究还有什么用？
在家政机器人背后，实际隐含的是一种智能体创生的本质逻辑：在复杂的环境中自己探索出解决随机和非结构化问题的合理方案，可以安全地与环境交互，同时高效地完成任务。
具体一点说，训练家政机器人，主要有一下三个方面的好处：
一是培养更具有通用智能的机器人，在不需要过多指导的前提下，执行一系列任务，提高机器自动化的安全性和工作效率。
二是有助于开发用于分层规划、感知和推理的算法，可以帮助自动驾驶、工业自动化、智能物联网等等领域解决应用问题；
三是推动零样本学习、少样本学习等技术的进步。在缺乏外部奖励信号的情况下，算法也能很好地推理出行为的意图，可以显著提升电商、内容产品推荐系统的使用体验。
这样，大家恐怕就不难理解，为什家务会成为通用智能体成长道路上无法绕过的“垫脚石”了。
最后可能还有人想问：不爱做家务星人，我只关心机器人啥时候能进我家给我叠被铺床？我只能说：亲亲这边建议直接睡觉呢梦里什么都有。