對(duì)救援人員和戶外運(yùn)動(dòng)愛(ài)好者來(lái)說(shuō)，穿越荒野小徑是一項(xiàng)有用的技能，但對(duì)機(jī)器人來(lái)說(shuō)卻很難。這并不是說(shuō)這些機(jī)械野獸在爬上山坡的同時(shí)沒(méi)有能力避開(kāi)倒下的樹(shù)枝，最先進(jìn)的機(jī)器學(xué)習(xí)算法可以做到這一點(diǎn)。問(wèn)題在于它們?nèi)狈νㄓ眯?人工智能驅(qū)動(dòng)的機(jī)器人經(jīng)常在它們從未見(jiàn)過(guò)的環(huán)境中掙扎。

 

　　科羅拉多大學(xué)的研究人員最近在預(yù)印本服務(wù)器Arxiv.org上發(fā)表了一篇論文(“荒野小徑上機(jī)器人從虛擬到現(xiàn)實(shí)轉(zhuǎn)移學(xué)習(xí)”)。提出了一個(gè)解決方案。他們的方法利用各種深度學(xué)習(xí)模型 - 即神經(jīng)元模擬數(shù)學(xué)函數(shù)層 - 來(lái)幫助機(jī)器人從相機(jī)鏡頭中判斷遠(yuǎn)足路線的方向。

 

　　“機(jī)器人在許多涉及戶外使用的場(chǎng)景中都有前途，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)。”研究人員寫道，“然而，戶外步道的自主導(dǎo)航仍然是一個(gè)具有挑戰(zhàn)性的問(wèn)題......在許多情況下，收集和訓(xùn)練訓(xùn)練數(shù)據(jù)集可能不太可行或不實(shí)用，特別是由于季節(jié)性天氣變化、風(fēng)暴和自然侵蝕，路徑條件可能會(huì)發(fā)生變化。”

 

　　正如該論文的作者指出的那樣，戶外路徑存在很多變化。它們由任何數(shù)量的材料(如礫石，泥土和覆蓋物)定義，并且它們跨越不同的生物群落，例如森林、草地和山脈。此外，它們的外觀隨著季節(jié)、天氣和一天中的時(shí)間而變化，并且它們通常被茂密的植被部分遮擋。

 

　　收集和標(biāo)記訓(xùn)練強(qiáng)大系統(tǒng)所需的真實(shí)數(shù)據(jù)將非常耗時(shí)，因此研究人員采購(gòu)了虛擬戶外路徑的合成圖像。為了制作它們，他們組裝了一個(gè)阿爾卑斯山的場(chǎng)景，在Unity中有泥土小徑，點(diǎn)綴著Unity Asset Store的樹(shù)木、巖石和草的3D模型。然后，他們放置了一個(gè)帶有三個(gè)攝像頭的虛擬機(jī)器人，每個(gè)攝像頭分別具有400×400像素的分辨率和80度的視野，可以收集20,269張景觀圖像。

 

　　該團(tuán)隊(duì)將圖像調(diào)整為100×100×3像素的分辨率，以實(shí)現(xiàn)更快的處理速度和更低的內(nèi)存消耗。然后他們將集合分成三個(gè)獨(dú)立的集合：一個(gè)用于訓(xùn)練，一個(gè)用于驗(yàn)證，第三個(gè)用于測(cè)試。

 

　　訓(xùn)練數(shù)據(jù)集被饋送到具有不同架構(gòu)的三個(gè)不同神經(jīng)網(wǎng)絡(luò)：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完全控制虛擬機(jī)器人的實(shí)驗(yàn)中，一個(gè)模型 - RNN - 設(shè)法以95.02%的準(zhǔn)確度預(yù)測(cè)正確的軌跡方向。重要的是，在一個(gè)單獨(dú)的測(cè)試中，研究人員在4,000個(gè)真實(shí)世界圖像的數(shù)據(jù)集上訓(xùn)練了所有三種AI算法，DNN模型的準(zhǔn)確度達(dá)到了58.41%，超過(guò)了基線，并表明虛擬到現(xiàn)實(shí)的轉(zhuǎn)移學(xué)習(xí)有潛力超越一些傳統(tǒng)的計(jì)算機(jī)視覺(jué)方法。

 

　　“觀察到機(jī)器人在導(dǎo)航路徑方面取得了很大的成功，包括那些急轉(zhuǎn)彎，巨石等障礙物。”研究人員寫道，“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偏離了小徑，然后導(dǎo)航回到小徑并恢復(fù)其行程。”

 

　　這三個(gè)神經(jīng)網(wǎng)絡(luò)表現(xiàn)得都不差。機(jī)器人偶爾將特定的地形區(qū)域誤認(rèn)為是路徑特征，這導(dǎo)致它偏離航線。研究人員承認(rèn)，Unity的低質(zhì)量地形包不允許物體之間存在“足夠的差異”。 (他們留待未來(lái)探索技術(shù)，以提高普遍性，如程序性地生成具有不同條件的地形。)

 

　　但他們認(rèn)為，自己的工作為加速機(jī)器人地形導(dǎo)航AI訓(xùn)練的方法奠定了基礎(chǔ)。

 

　　“機(jī)器人電池壽命，人體疲勞和安全考慮是手動(dòng)數(shù)據(jù)采集的主要挑戰(zhàn);然而，通過(guò)我們的方法，這些問(wèn)題可能會(huì)被規(guī)避，因?yàn)闃?biāo)簽數(shù)據(jù)的生成可以在虛擬環(huán)境中快速有效地執(zhí)行。”研究人員寫道。 “然后機(jī)器人可以進(jìn)行虛擬訓(xùn)練，以駕馭難以進(jìn)入和/或危險(xiǎn)的地形，包括目前無(wú)法訪問(wèn)的新型地形，甚至從未接觸過(guò)這些環(huán)境，并(例如，火星)中收集真實(shí)數(shù)據(jù)。”