近日，谷歌和加利福尼亚大学在Arxiv.org上发表了一项研究，伯克利的研究人员提出了一个框架，该框架集合了基于学习感知模型控件，使轮式机器人能够自动绕过障碍物实现导航。这种方法很好地解决了模拟和现实环境中看不见的建筑物和不可预知的人的行为，与基于纯学习的方法相比较可以获得更好和更有效的数据行为。

　　正如研究人员所说，自动机器人导航在赋能机器人应用上具有很大潜力，从运送事物和药品到后勤和搜索机器人用于执行救援任务。在这些应用中，机器人必须在人与人之间安全工作，并根据观察到的人类行为来调整其动作，这一点至关重要。例如，如果有人左转，则机器人应当右转以避免伤害人类；当人朝着机器人的方向移动，机器人应当与人保持一个安全的距离。

　　为此，研究人员的框架充分利用了“激活导航数据集”（HumANav），该数据集包括6000名合成但在办公建筑中现实存在的人。（建筑网格扫描是从斯坦福的开放源代码的大型3D室内空间数据集中采样的，而且支持任何纹理的建筑网络。）

　　它允许用户操纵建筑物内的人员，并且通过标准相机提供逼真的渲染，从而确保图像中存在于人体运动相关的重要视觉提示，例如当某人快速行走时，其两腿的间距会比自己缓慢移动要大。

　　对于上面提到的和成人，研究小组转向SURREAL数据集，该数据集包括各种姿势、性别、身体状况和光照条件渲染下人的图像。这些图像来自真实的人类运动过程，包含各种动作，例如跑步、跳跃、跳舞、杂技和步行，并具有可调整的变量，包括位置、方向和角速度。

　　在框架生成航点及其关联的轨迹之后，它会沿着轨迹使用摄像头记录各个状态下，并保存轨迹以及最佳航点。轨迹和航点可以用于训练机器模型，该模型有利于对人类运动进行推理。

　　在实验中，研究人员生成了18万个样本，在125000次模拟训练之后，得到LBWayPtNav-DH模型。在没有经过微调和额外训练的情况下，将其部署在Turtlebot2机器人上时，该模型通过展示行为而成功地进行了10次试验，展示行为考虑了人类行为主体的动态特征。具体而言，在一种情况下，它通过沿反方向移动避免了与人的碰撞；在另一种情况下，它在转角处做了一个大转弯来为人留出足够的空间。

　　该团队说，他们的框架所产生的轨迹比前人的更加平滑，并且不需要对人类进行明确的状态估计或轨迹预测，从而具有更可靠的性能。此外，该框架考虑到人们的预期动作，能够规划自己的道路并且学会推理人类的动态本质。

　　共同作者写道：“在未来的工作中，更加复杂和拥挤的场景中学习导航将会很有趣。噪声处理将会是未来另一个有趣的方向。”

　　事实上，谷歌并不是唯一从事自动化机器人导航研究的科技巨头。

　　Facebook最近也发布了一个模拟器（AI Habitat），该模拟器可以训练AI智能体，像家用机器人一样，在模拟现实公寓和办公室的环境中操作。在去年12月发表的一篇论文中，亚马逊研究人员也描述过这样一种家用机器人，当它不知道去哪里的时候还会向人类主动询问。