卡迪夫大學的一種新的深度學習模型幫助機器人選擇更安全、更可靠的路徑，標志著從雜技到現(xiàn)實世界導航的轉(zhuǎn)變。

幫助機器人找到方向

由于卡迪夫大學的研究人員開發(fā)了一種新的深度學習模型，機器人可能很快就會優(yōu)先考慮導航精度而不是華麗的特技。該系統(tǒng)稱為定位感知導航，它教機器人選擇使它們在空間中保持定向的路徑——即使這些路線更長——從而顯著提高現(xiàn)實場景中的性能。

幫助機器人找到方向

在使用 iGibson 環(huán)境的模擬測試中，該方法在困難條件下的成功率為 49%，而基于 SLAM 的標準導航的成功率為 33%。機器人還保持了較低的定位誤差，并更好地適應了不熟悉的環(huán)境，展示了更強大的現(xiàn)實世界潛力。

這一進步解決了機器人技術(shù)中長期存在的一個挑戰(zhàn)：在嚴格控制的實驗室之外進行可靠導航。傳統(tǒng)方法通常將兩個過程（路徑規(guī)劃和定位）分開，當機器人對其位置的估計漂移時會產(chǎn)生風險。通過將兩者集成到一個決策循環(huán)中，卡迪夫的模型確保運動選擇不斷受到定位質(zhì)量的影響。

該系統(tǒng)利用 RGB-D 攝像頭輸入和 ORB-SLAM2（一種流行的視覺同步定位和映射算法）。該模型沒有假設 ORB-SLAM2 總是成功，而是評估地圖點的空間分布，將它們分組到角度扇區(qū)中，以衡量不同方向的視覺“安全”程度。機器人會因為選擇富含視覺線索的路線而不是可能混淆地圖系統(tǒng)的無特色走廊而獲得獎勵。

一項關(guān)鍵創(chuàng)新是其動態(tài)反饋機制。與依賴嚴格懲罰閾值的傳統(tǒng)模型不同，卡迪夫的框架使用相對姿勢誤差來調(diào)整閾值，實時評估運動是改善還是惡化定位。這種適應性有助于機器人在不斷變化或不可預測的環(huán)境中做出更好的選擇。

雖然許多機器人演示都聚焦于翻轉(zhuǎn)或側(cè)手翻等雜技，但此類壯舉很少轉(zhuǎn)化為實際用例。然而，導航是現(xiàn)實世界部署的基礎——從在擁擠的校園中導航的送貨機器人到在倉庫或醫(yī)院工作的自主機器。該團隊的下一步是從模擬轉(zhuǎn)向真實世界的試驗，機器人將在行人密集的空間等動態(tài)環(huán)境中導航。如果成功，定位感知導航可能會成為機器人技術(shù)的基石，將焦點從奇觀轉(zhuǎn)移到可靠性。