来自卡耐基梅隆大学的研究人员装备了一款工业机器人，它具备深入学习的能力，可以从桌子上抓取物体，并学会从实践和失败中总结教训。

来自卡耐基梅隆大学的Lerrel Pinto和Abhinav Gupta，在其研究中选用来自Rethink Robotics公司的Baxer工业机器人。Baxer式一款带三个相机和一个微软Kinect红外传感器的双臂协作机器人，其中，红外传感器用于检测人类操作者是否在机器的1.5-15英尺范围内。因此，机器人一般倾向于在自动化应用中大展拳脚。每个机器人的手臂上包括一个标准抓手和一个相机，机器人通过相机可实时查看手臂到底抓住了什么东西。

据MIT表示，Pinto和Gupta为Baxter编程，首先将目标与周围物体隔离开来，接着在那个区域拾取一个任意点，将抓手旋转至一个合适的角度，然后垂直移动抓手直抵目标物体。机器人随后抬起手臂，使用压力传感器来决定是否成功实现抓取。针对每个点，Baxter重复这个抓取过程188次，每次旋转抓取角度定为10度。

为了让机器人教会自己如何抓取目标，Pinto和Gupta在机器人面前的桌子上放置了各种物体，并让它每天在不受任何干涉的情况下工作10个小时。机器人的深入学习法基于一个神经网络，该网络预先接受目标识别的训练，为Baxter提供操作的基础技巧。然而，网络的双层架构致力于在这些随机的试验中学会抓取技能。

此外，Baxter还备有第二阶段的学习可以提高其技巧。团队通过应用这套技巧，对新的目标组合进行测试，其中有一些是Baxter已经见过的，其他的是新引入的。在耗时700小时以上的测试中，Baxter分别对150个不同的目标物体共执行了近5万次抓取，无论这个方法成功与否，机器人每次都在学习。这套学习用具包括一个电视远程控制、塑料玩具以及其他小物件。这会产生一次重要的学习体会，使得机器人有几乎80%的胜算，能预判出是否能成功地抓取到物件。

普通的感知法，比方说，机器人通过编程在它的中心附近拾取物体，位置选在其最窄点同时又能避免那些因太窄而不易抓取到的区域，成功率约为62%；从这方面证实，Baxter的80%相较于其他普通感知法更加有效、成功率更高。

如何提高机器人抓取能力是下一步该干的事情，据MIT文章所述，在明晰抓取难度的同时，建议针对Baxter机器人做终极测试——那就是牙膏大战：把豌豆大小的牙膏成功地挤到牙刷上。