机器学习 (ML) 是人工智能的一个子集，它使系统能够从数据中学习模式，并在无需为每个场景进行显式编程的情况下做出决策。 机器学习的核心在于训练算法使用数据集来识别关系、分类信息或预测结果。 常见的方法包括监督学习（使用带标签的数据）、无监督学习（查找未标记数据中的模式）和强化学习（通过试错和奖励进行学习）。 例如，监督学习模型可以对物体图像进行分类，而强化学习代理可以通过接收对其行为的反馈来学习导航迷宫。
在机器人技术中，机器学习通常应用于需要适应性和实时决策的任务。 一个关键领域是感知：机器人使用机器学习来处理传感器数据，例如摄像头馈送或激光雷达扫描，以识别物体或绘制环境地图。 例如，自动驾驶无人机可以使用卷积神经网络 (CNN) 来检测飞行中的障碍物。 另一个应用是控制系统：强化学习帮助机器人优化运动，例如机器人手臂通过模拟试验学习抓取各种形状的物体。 例如，Boston Dynamics 的 Spot 机器人使用机器学习来调整其在不平坦地形上的步态。 机器学习还使机器人能够从人类演示中学习，例如通过观察技术人员来训练机器人组装零件。
将机器学习应用于机器人技术的实际挑战包括需要大量高质量的数据集和计算约束。 机器人通常在动态环境中运行，要求模型能够很好地推广到训练数据之外。 例如，经过训练处理盒子的仓库机器人可能难以处理形状不规则的物品，除非其训练数据具有多样性。 边缘计算（直接在机器人的硬件上运行机器学习模型）对于实时响应至关重要，但需要高效的算法。 此外，安全是一个需要考虑的问题；自动驾驶汽车的机器学习系统必须在不确定情况下做出可靠的决策。 开发人员通常通过将传统控制系统（例如，PID 控制器）与机器学习相结合来应对这些挑战，使用诸如模仿学习之类的技术，通过人类专业知识来引导模型，然后在通过试验和错误进行改进之前。