耶鲁大学机械工程助理教授伊恩·亚伯拉罕（Ian Abraham）的实验室正将人工智能与控制理论相结合，推动机器人实现更复杂、高精度的运动能力。在训练机器人完成如后空翻、倒立等单个高难度动作时，AI方法已展现出显著优势。但当需要组合多个技能，例如“后空翻接倒立”时，传统AI模型往往因任务复杂而性能下降。 为解决这一难题，亚伯拉罕团队引入了混合控制理论（hybrid control theory），即通过数学方法判断机器人在执行任务时应何时切换控制模式，以实现最高效、最稳定的运动。该方法能协调不同学习方式，如基于经验的强化学习、模型预测学习等，使机器人在不同阶段灵活切换学习策略，从而在保持动作精度的同时完成复杂行为。 研究团队以一只类狗机器人进行实验，成功训练其完成平衡、翻转等动作。AI负责学习高难度的全身协调技能，而混合控制理论则负责在不同技能之间实现平滑、安全的过渡。亚伯拉罕将其类比为人类学习过程：初学时需不断思考和预测动作，熟练后则转化为“肌肉记忆”，实现自动化执行。 该技术有望使机器人在家庭、非结构化环境等复杂场景中更安全、更智能地工作。未来，机器人在实际部署中可结合多种学习方式，通过现场经验不断优化，一旦建立足够信心，即可调用专门训练的技能，实现超越基础任务的高水平表现。相关研究成果已发表于arXiv预印本平台。