发展机器人学是一个跨学科研究领域，探究机器人和人工代理如何通过与环境的渐进、开放式互动过程，获得日益复杂的认知和运动技能。发展机器人并非预先编程完整知识或技能，而是设计为以类似于人类婴儿和儿童的方式学习和成长，借鉴发展心理学、认知科学和神经科学的启示。该领域强调具身性、情境性和社会互动在学习塑造中的作用，并与传统Artificial intelligence方法形成对比，后者依赖固定的、任务特定的编程或大量预收集数据。
发展机器人学的核心前提是，智力并非静态属性，而是通过自我组织和适应的动态过程涌现。这一观点与Curriculum Learning概念一致，即任务按递增复杂度呈现，但在发展机器人学中，排序并非外部强加；相反，代理自身的发展阶段和内在动机决定其接下来探索和学习的内容。该领域还融合Neural network研究的理念，特别是Deep learning和Reinforcement learning范式，但更强调持续、终身学习以及多种感觉和运动模态的整合。
历史基础与影响
发展机器人学的思想根源可追溯至20世纪50年代和60年代，早期控制论以及威廉·格雷·沃尔特等研究者的工作，他们构建了展现简单探索行为的自主机器人。然而，该领域作为独立学科在20世纪90年代末和21世纪初开始形成，受机器人硬件、传感器技术和计算方法进步的推动。关键影响包括发展心理学家让·皮亚杰的认知发展理论，该理论认为儿童通过与环境的主动互动构建知识，以及詹姆斯·J·吉布森的生态心理学，强调对可供性的直接感知。
一个里程碑事件是2009年《IEEE自主心智发展汇刊》（后更名为《IEEE认知与发展系统汇刊》）的创刊，为该领域研究提供了专门平台。该领域还借鉴MIT CSAIL及其他大学实验室的见解，研究人员开发了专门用于发展研究的机器人平台。例如，由意大利理工学院创建并于2004年首次亮相的iCub人形机器人，已成为测试发展算法的标准平台，其儿童般外观和53个自由度支持丰富的感知运动探索。
核心原则与机制
发展机器人学具有几个核心原则，使其区别于传统机器人编程。首先，具身性是核心：机器人的物理形态、传感器和执行器塑造其学习，因为所有知识都基于机器人自身在世界中行动的经验。其次，增量学习意味着技能分阶段构建，早期能力作为后期能力的基础。这通常通过内在动机机制实现，机器人被驱动去探索新颖或适度挑战的情境，而非仅由外部任务完成奖励。
第三，社会学习发挥关键作用，特别是在语言和复杂社会行为习得中。机器人可能通过模仿人类照护者、跟随目光或接收言语和非言语反馈来学习。这与脚手架概念相关，即照护者调整任务难度以匹配学习者当前能力。第四，自组织被强调，意味着复杂行为从简单局部规则和互动中涌现，无需中央控制器指定每个动作。这通常使用Neural network架构建模，包括Residual Network (ResNet)和U-Net变体，尽管发展系统通常需要支持持续学习和可塑性的架构。
与机器学习和AI的关系
发展机器人学处于机器人与Machine learning的交叉点，但挑战了主流Deep learning的若干假设。传统监督学习和Reinforcement learning方法通常需要大型预收集数据集或模拟环境中数百万次训练回合。相比之下，发展机器人必须从连续的真实世界感官数据流中学习，监督有限且存在噪声和不确定性。这推动了在线学习、好奇心驱动探索和基于模型的强化学习等领域的创新，其中机器人构建其环境的内部模型。
该领域还与Large language model研究有共同点，因为两者都涉及从序列数据学习，但发展机器人学强调符号在感知运动经验中的接地，这一挑战在纯文本AI中仍基本未解决。Brendan Lake和Joshua Tenenbaum等研究者主张更发展性的AI方法，倡导能够学习因果模型并从少量示例泛化的系统，类似于人类婴儿。这一观点影响了Generative AI和Transformer (architecture)架构的近期工作，尽管发展机器人学通常需要更具具身性和互动性的学习范式。
应用与当前研究
发展机器人学在多个领域具有实际应用。在人机交互中，发展原则用于创建能适应个体用户并通过自然互动学习新任务的机器人，这与家庭和医疗保健环境中的服务机器人相关。在辅助技术中，发展机器人可帮助自闭症谱系障碍儿童，通过提供可预测、引人入胜的社交伙伴来鼓励社交技能发展。在工业自动化中，发展方法使机器人无需显式编程即可学习灵活装配任务，降低小批量制造中重新编程的成本。
当前研究方向包括将内在动机与深度强化学习整合，开发能获取无限数量技能的开放式学习系统，以及使用模拟到现实迁移在模拟环境中训练发展算法后再部署到物理机器人。研究者还在探索发展机器人学如何为更稳健和适应性强的AI系统设计提供信息，特别是在自动驾驶和Robotics等环境不可预测的领域。该领域仍活跃，Carnegie Mellon University、BAIR (Berkeley AI Research)和Stanford AI Lab等机构做出重大贡献，并持续推动机器学习和发展的边界。
挑战与未来方向
尽管前景广阔，发展机器人学面临重大挑战。一个主要问题是真实世界学习的样本复杂度：机器人需要大量物理互动才能学习简单技能，这耗时且成本高。另一个挑战是灾难性遗忘，即学习新技能可能覆盖先前获得的知识，这一问题在持续学习环境中尤为严重。研究者正在调查弹性权重巩固和生成性重放等解决方案，但这些仍是活跃研究领域。
未来方向包括开发更接近神经可塑性的生物合理性学习算法，将社会和情感因素整合到机器人学习中，以及创建能在长时间尺度（可能数月或数年）上发展的机器人。人们也越来越有兴趣将发展机器人学作为理解人类认知的框架，可能为教育实践和疗法提供信息。截至2020年代中期，该领域相比主流AI仍相对小众，但其见解日益被认为对构建真正智能和适应性机器至关重要。