无需任何模拟或人工监督,伯克利团队提出一种更“聪明”的机器人导航系统
【今日推荐】:为什么一到面试就懵逼!>>> 移动机器人导航通常被认为是一个几何问题,机器人的目标是感知环境中障碍物的几何形状,以规划出走向指定位置的无碰撞路径。 目前,从室内导航到自动驾驶,自主导航的主要方法是让机器人构建地图, 将自己定位在地图中,并使用地图来计划和执行使机器人到达目标的动作,这种同时定位、地图绘制(SLAM)和规划路径方法已取得了令人印象深刻的结果,并且是当前最先进的自主导航技术的基础。 但是,这种方法仍然存在局限性,例如在无纹理场景中的性能下降。 要保证机器人在环境中的导航行为变得越来越好,需要依靠更多、更昂贵的传感器,且在开放环境中,移动机器人自主导航还会面临更多挑战,有时候很难用纯粹的几何分析来解决。 图|越野环境和城镇环境(来源:Berkeley) 比如,要步行到达一个目的地需要穿过一片茂盛的草丛, 对人类来讲直接走过去就好,而当人们推着一辆小车时,则更青睐选择在相对平坦的路面上走。 这些看似无需思考就能做出的判断,对当今的自主导航移动机器人来说却十分困难,很可能决策失败: 它们会认为高高的草丛是与混凝土墙相同的障碍,而且不了解选择平滑的路面和颠簸路面之间的区别。 因为大多数移动机器人纯粹是根据几何学来思考的,从语义理解的角度出发,使用人类提供的可穿越性或路面标签上训练出来的计算机视觉方法来实现,但是,可遍历性