机器人早已在工业流水线尤其是制造业上得到了广泛的应用，比如手机制造、汽车组装等。在最初的应用中，机器人的设计被固定在某一项任务当中，打眼就是打眼，安螺丝就是安螺丝。

在这个时期，工业机器人实质上是替代了简单的组装工作，并且只适应设计好的特定环节，基本没有任何延展性。

而在人工智能时代，加入了机器视觉之后，机器人的应用范围逐渐一下子被扩大了许多。更多的行业被涉足并发生了质的革新，比如物流的智能分拣。

目前来说，对机器人进行视觉训练，应用在工业当中的基本任务就是：认识某物。也就是说，通过对机器的训练，使其能够分辨出哪一样是自己的工作对象。而这也是机器视觉学习的最简单而有效的应用。

但工业应用场景并不仅仅只有识别。比如对仓储物品的抓取和分类，或者很多并不是固定物品的应用场景，这就会导致机器既有的学习内容用不上。那么，不认识这个东西，机器就不知道该如何处理，在做一些抓取搬运工作的时候就难免会出岔子。

从这个角度上来说，以后对工业机器人的要求，将不满足于局限于既有的学习内容，同样还要有自主的学习能力。也就是说，在机器人碰到陌生的物体的时候，能够自主地判断该怎么去处理。

有人觉得，培养机器人的迁移学习能力不就好了吗？比如记住一些物体的具体特征，人工智能既然能分辨出什么是人、什么是大猩猩、什么是猫狗，那么只要训练到位，机器人同样也能对其他陌生的物体做出分辨。

但很可惜这样想可能有点不切实际。比如让机器人去把仓库里乱七八糟的东西给归置整齐了，里面可能有大电视机，也可能有小面包机，它怎么分类？它该怎么拿？所以，很显然用认识同一类物体的方法是不适用于这样的场景当中的。

那么，为了让机器人什么都能拿，麻省理工的研究人员们动了点心思。

研究人员设计了这样一个系统：面对自己不熟悉的物体，机器人能够快速地对其进行估算，然后做出最适合的抓取和细节处理决策。

该系统被称为DON(Dense Object Nets，密集物体联网），通过神经网络的学习，机器人可以产生一个视觉路线图，对物体进行一个约莫20分钟的视觉检查。

在此基础上，机器人会从多个角度来确定物体的点，然后把所有的点形成一个整体坐标系统。把这些点联系到一起之后，就可以绘制出物体的三维立体图。值得注意的是，在绘制三维立体图的过程中，机器完全不需要人的干预，因此这种学习方式又被称为自我监督式学习。

这样的学习过程其实是和人类有很大的相似之处。我们看到暖瓶知道要握把才能提起，该系统的目的也是训练机器人的这种能力。只不过在目前的实验中，三维立体图形绘制出来之后，还需要研究人员在电脑上给出指定的位置，以告诉机器人从哪里下手。

在实验中，机器人成功抓起了一只鞋子和杯子。