科罗拉多大学的研究者在最近发表的论文中提出了依靠包括神经模拟数学函式在内的多种深度学习模型来帮助机器人从相机画面中分辨出野外路径的方法。
“机器人有望在多种户外场景中发挥作用，例如搜寻救援、野生动物管理、收集数据保护环境、气候研究和天气预报等，”研究者写道，“但是，野外环境中的自动导航一直是个技术难题。收集和分析训练数据集的方法在一些场景中并不可行，特别是考虑到地形状况有可能会受到季节变化、暴风雨和自然侵蚀的影响。”
论文作者指出，野外路径中存在着太多变数，收集和标记真实世界的数据来训练机器人系统将耗费巨大的时间，因此研究者将目光转向卐人工虚拟野外环境图像。为了合成这些图像，他们用游戏々引擎Unity搭建了一个有土路的高山场景，再用树木、岩石和叶子的3D模型加以点缀。然后，他们在其中释放了一个装备有三个80度视域、400乘400像素摄像头的虚拟机器人并最终收集到了两万多张地貌图片。
在虚拟环境中绘制野外地图△
研究团队压缩了这些图片的像素数从而加快处理速度并减少内存占用，然后将图ㄨ片分为三组，一组用于训练、一组用于校验、还有一组用于测试。
训练组的数据被输入进∞三个架构不同的神经网络，它们分别是深度神经网络(DNN)、卷积神经网络(CNN)和循环神经网络(RNN)。在实验中AI对虚拟机器人有完整控制权，RNN模型推断正确路径方向的准确率达到了95.02%。在另一→个实验中，研究者用四千张真实世界的图片训练三种AI算法，DNN模型的路径推断准确率为58.41%，这个成绩高于基准线【并预示着从虚拟到现实的迁移学习有潜力胜过一些应用了计算机视觉技术的常规方法。
“我们观察到机器人在野外导航领域整体上是成功的，包括那些带有急转弯障碍物的场景，例如巨石等，”研究者写道，“此外，我们还观察到了几个智能决策的案例，有一次，机器人在发现障碍物后径直离开了路径，但它随后重新返回路↓径并继续它的旅程。”
这三种神经网络都没有做到完美。机器人有时会将某些特别的地面区域识别为路径并导致方向偏离。除此之外，研究者也承︽认Unity引擎生成的低画质图像不足以表现出不同物体之间的差异性。但他们认√为这项研究为日后加快地形导航AI的训练打下了基础。
“机器人的电池寿命、人类的疲劳因素以及『安全方面的考量都是人工收集数据所面临的挑战，但是我们的方法有效避开了这些问题，因为在虚拟环境中可¤以迅速高效地生成标记数据，”研究者写道，“这样一来机器人就能在虚拟环境中接受地形◥导航训练而无需在真实世界中踏足那些危险复杂的地形场景。”
