機器人穿越荒野感謝AI

已經建造了機器來處理一些最艱難的地形，但對于機器人來說，學習繩索要困難得多。最先進的算法為機器人機器提供了在山坡，巖石和倒下的樹枝上航行的能力。機器人技術的主要問題是人工智能(AI)驅動的機器人很容易被新環境所混淆。

在一篇論文中，“荒野小徑上機器人的虛擬到現實世界的轉移學習”，科羅拉多大學的學者們相信他們可能已經找到了解決方案。關鍵在于眾多深度學習模型，例如神經元模擬數學函數層，它們檢查攝像機鏡頭以幫助機器人操縱遠足徑。

加州大學的研究人員說，“機器人在許多涉及戶外使用的場景中都有希望，例如搜索和救援，野生動植物管理以及收集數據以改善環境;氣候和天氣預報。“戶外步道有很多變數，特別是在遇到障礙時。“但是，戶外步道的自主導航仍然是一個具有挑戰性的問題......在許多情況下，收集和整理訓練數據集可能不太可行或不實用，尤其是由于季節性天氣變化，風暴和自然侵蝕，線索狀況可能會發生變化。”

除了季節性天氣之外，諸如礫石，泥土和覆蓋物的地面覆蓋物可能對機器人構成嚴重挑戰。即使茂密的森林和樹葉如果無法適應，也會對機器造成嚴重破壞。

研究人員通過采購虛擬室外步道的合成圖像來節省自己收集真實數據的繁瑣過程，以訓練機器人。為了創建小徑，該團隊在Unity資源中構建了一個高山山景，其中包括Unity中的泥土小徑以及樹木，巖石和草地的3D模型。在組裝之后，他們發布了一個虛擬機器人，其中包含三個相機，包含400 x 400像素分辨率和80度視野，收集了20,269張景觀圖像。

通過將圖像大小調整為100 x 100 x 3像素，團隊能夠以更低的內存消耗實現更快的處理速度。在此步驟之后，他們將該集合組織成三組，一組用于培訓，一組用于驗證，第三組用于測試。數據集被饋送到三個不同的神經網絡。該團隊利用“深度神經網絡(DNN)，卷積神經網絡(CNN)和遞歸神經網絡(RNN)”。

在AI控制虛擬機器人的測試期間，RNN模型能夠以95.02%的準確度預測正確的軌跡方向。研究人員在他們的論文中指出，“觀察到機器人在導航路徑方面取得了很大的成功，包括那些轉彎和障礙物如大石塊。”“此外，我們觀察了幾個'智能'決策的實例;在一次試驗中，機器人在與一個大障礙物碰撞后短暫地駛離了小徑，然后導航回到小徑并恢復其行程。

即使取得了所有進展，但沒有一個系統具有100%的準確率。機器人錯誤地將地形視為軌跡特征，導致它們偏離航向。雖然他們的研究并不完美，但研究人員認為他們已經為可以增強機器人AI培訓的方法奠定了基礎。