新颖的学习框架允许机器人按顺序执行交互式任务

佐治亚理工学院博士生Niranjan Kumar创建了级联成分残余学习(CCRL)框架，使四足机器人能够执行越来越复杂的任务，而无需重新学习动作，模仿人类的学习。库马尔展示了机器人利用能量转移打开一扇沉重的门，这是机器人技术的一项非凡成就。

然而，CCRL的功能就像一个“库”，让机器人在执行简单任务时记住它学过的所有东西。每个新获得的技能都被添加到库中，并用于更复杂的技能。例如，转弯动作可以在行走的基础上学习，同时作为导航技能的基础。

库马尔说，CCRL在交互式导航研究方面开辟了新天地。交互式导航是允许机器人在现实世界中导航的几种导航解决方案之一。这些解决方案包括点导航(point navigation)和目标导航(object navigation)，前者训练机器人到达地图上的一个点，后者教机器人到达选定的对象。

交互式导航需要机器人在到达目标位置的同时与途中的障碍物进行交互，这是机器人最难学习的部分。

库马尔说，让机器人从走路到推动物体的关键在于关节，而机器人要发现它可以用关节做出不同类型的运动。

到目前为止，库马尔的政策已经达到了机器人可以学习和使用的10种技能。它可以在一个策略上学习的技能数量取决于程序员使用的硬件。

他说:“随着技能的不断增加，培训时间会更长，因为现在的政策还必须弄清楚如何在不同情况下整合所有这些技能。”“但从理论上讲，只要你有一台足够强大的计算机来运行这些政策，你就可以无限期地增加更多的技能。”

库马尔说，他认为CCRL对家庭助理机器人很有用，因为家庭助理机器人需要灵活灵活，才能在杂乱的家庭中穿行。他还说，它可能会成为视障人士的导盲犬。

他说:“如果视障人士面前有障碍物，机器人可以在该人行走时清除障碍物，为他们开门，诸如此类。”