已經(jīng)建造了機(jī)器來處理一些最艱難的地形，但對(duì)于機(jī)器人來說，學(xué)習(xí)繩索要困難得多。最先進(jìn)的算法為機(jī)器人機(jī)器提供了在山坡，巖石和倒下的樹枝上航行的能力。機(jī)器人技術(shù)的主要問題是人工智能(AI)驅(qū)動(dòng)的機(jī)器人很容易被新環(huán)境所混淆。

在一篇論文中，“荒野小徑上機(jī)器人的虛擬到現(xiàn)實(shí)世界的轉(zhuǎn)移學(xué)習(xí)”，科羅拉多大學(xué)的學(xué)者們相信他們可能已經(jīng)找到了解決方案。關(guān)鍵在于眾多深度學(xué)習(xí)模型，例如神經(jīng)元模擬數(shù)學(xué)函數(shù)層，它們檢查攝像機(jī)鏡頭以幫助機(jī)器人操縱遠(yuǎn)足徑。

加州大學(xué)的研究人員說，“機(jī)器人在許多涉及戶外使用的場(chǎng)景中都有希望，例如搜索和救援，野生動(dòng)植物管理以及收集數(shù)據(jù)以改善環(huán)境;氣候和天氣預(yù)報(bào)。“戶外步道有很多變數(shù)，特別是在遇到障礙時(shí)。“但是，戶外步道的自主導(dǎo)航仍然是一個(gè)具有挑戰(zhàn)性的問題......在許多情況下，收集和整理訓(xùn)練數(shù)據(jù)集可能不太可行或不實(shí)用，尤其是由于季節(jié)性天氣變化，風(fēng)暴和自然侵蝕，線索狀況可能會(huì)發(fā)生變化。”

除了季節(jié)性天氣之外，諸如礫石，泥土和覆蓋物的地面覆蓋物可能對(duì)機(jī)器人構(gòu)成嚴(yán)重挑戰(zhàn)。即使茂密的森林和樹葉如果無法適應(yīng)，也會(huì)對(duì)機(jī)器造成嚴(yán)重破壞。

研究人員通過采購(gòu)虛擬室外步道的合成圖像來節(jié)省自己收集真實(shí)數(shù)據(jù)的繁瑣過程，以訓(xùn)練機(jī)器人。為了創(chuàng)建小徑，該團(tuán)隊(duì)在Unity資源中構(gòu)建了一個(gè)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(fā)布了一個(gè)虛擬機(jī)器人，其中包含三個(gè)相機(jī)，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(diào)整為100 x 100 x 3像素，團(tuán)隊(duì)能夠以更低的內(nèi)存消耗實(shí)現(xiàn)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(xùn)，一組用于驗(yàn)證，第三組用于測(cè)試。數(shù)據(jù)集被饋送到三個(gè)不同的神經(jīng)網(wǎng)絡(luò)。該團(tuán)隊(duì)利用“深度神經(jīng)網(wǎng)絡(luò)(DNN)，卷積神經(jīng)網(wǎng)絡(luò)(CNN)和遞歸神經(jīng)網(wǎng)絡(luò)(RNN)”。

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

即使取得了所有進(jìn)展，但沒有一個(gè)系統(tǒng)具有100%的準(zhǔn)確率。機(jī)器人錯(cuò)誤地將地形視為軌跡特征，導(dǎo)致它們偏離航向。雖然他們的研究并不完美，但研究人員認(rèn)為他們已經(jīng)為可以增強(qiáng)機(jī)器人AI培訓(xùn)的方法奠定了基礎(chǔ)。