首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

只有人类会导航?太小瞧机器人了

据科学博客网(Science Blog)10月5日消息称,国际电气和电子工程师协会(IEEE)下属的机器人与自动化学会(RSJ)上周在西班牙马德里举行了一场关于“智能机器人与系统”(Intelligent Robots and Systems, 简称IROS)的国际会议。会上,来自美国麻省理工学院(MIT)的研究人员宣讲了一篇描述人工智能导航模型的最新研究论文。他们目前已经开发设计出一种帮助机器人像人类一样在周遭环境中作出判断和决定的方法,这让智能导航技术又向前迈进一步。这个新型运动规划模型能让机器人通过探索周围环境、观察其他移动客体以及利用从之前类似的情况中学到的经验来决定如何抵达目的地。

目前流行的运动规划算法是首先将各种可能的路线创建为一棵决策树,然后不断缕清分支中的每一种可能,直到找到最好的导航路径为止。举个例子,假如一个机器人在房间里需要通过导航才能到达房门,那么他会创建一个汇集了所有可能的运动路线的分步搜索结果树,然后考虑到各种约束条件,最后执行通向房门的最佳路径。然而,这类算法的一个明显缺点是无经验积累的学习过程。换句话说,机器人不能利用自己或其他客体以前在类似环境中运动时获得的相关信息。该论文的共同作者、MIT计算机科学和人工智能实验室(CSAIL)和麦戈文研究所(McGovern Institute)下属的大脑、心灵和机器中心(CBMM)的研究员安德烈·巴尔布(Andrei Barbu)介绍道:“就像下国际象棋一样,这些决策树会一直延伸下去,直到(机器人)找到一种最好的导航路线。然而,与国际象棋棋手不同的是,(机器人)探索未来的可能时,既不会分析周围的环境,也不会从其他客体那里汲取经验。第1000次穿过同一个人群,(对它们来说)和第一次穿行的复杂难度是一样的。它们虽然总是在探索,但是却从不观察或利用过去的经验。”

基于这一缺陷和不足,研究人员开发了一款最新模型,该模型将规划算法与神经网络相结合,而神经网络不仅可以学习识别取得最佳结果的路径,而且还可以利用这些信息与知识指引机器人在环境中的运动轨迹。在这篇名为《基于采样规划的深层序列模型》(Deep sequential models for sampling-based planning)的论文中,研究人员阐述了他们的模型在两种情况下所具备的优势:一是在房间中避开陷阱和通过狭窄通道的导航能力,二是在导航区域内避免与其他客体碰撞的能力。在现实世界中,一个很有前景的应用方向是帮助自动驾驶汽车在交叉路口导航,因为在交叉路口,自动驾驶汽车必须在融入交通洪流之前快速评估判断其他人会的行动路线。目前日本丰田汽车公司正联手与MIT电脑科学与人工智能实验室(CSAIL)在双方组建的联合研究中心( Toyota-CSAIL Joint Research Center)进行此类应用的研究和开发。

该论文的第一作者、CSAIL博士生Yen-Ling Kuo解释道:“当人类与世界互动时,我们如果看到的是一个我们以前接触过的物体,或者是到了一个我们曾经去过的某个地方,那么我们就知道我们将如何行事。而这项研究工作背后的创意也是如此,即在搜索区域内添加一个机器学习模型,它能够从过去的经验中知道应该如何提高规划效率。”CSAIL的InfoLab小组负责人、首席研究科学家鲍里斯·卡茨(Boris Katz)也是这篇论文的共同作者之一。

科界原创

编译:Jonathan

审稿:阿淼

责编:南熙

来源:http://h5.scimall.net.cn/register?from=wechat

版权声明:本文由科界平台原创编译,中文内容仅供参考,一切内容以英文原版为准。转载请注明来源:科技工作者之家-科界App。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181009A18OG700?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

相关快讯

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券