机器人穿越荒野感谢AI

已经建造了机器来处理一些最艰难的地形，但对于机器人来说，学习绳索要困难得多。最先进的算法为机器人机器提供了在山坡，岩石和倒下的树枝上航行的能力。机器人技术的主要问题是人工智能(AI)驱动的机器人很容易被新环境所混淆。

在一篇论文中，“荒野小径上机器人的虚拟到现实世界的转移学习”，科罗拉多大学的学者们相信他们可能已经找到了解决方案。关键在于众多深度学习模型，例如神经元模拟数学函数层，它们检查摄像机镜头以帮助机器人操纵远足径。

加州大学的研究人员说，“机器人在许多涉及户外使用的场景中都有希望，例如搜索和救援，野生动植物管理以及收集数据以改善环境;气候和天气预报。“户外步道有很多变数，特别是在遇到障碍时。“但是，户外步道的自主导航仍然是一个具有挑战性的问题......在许多情况下，收集和整理训练数据集可能不太可行或不实用，尤其是由于季节性天气变化，风暴和自然侵蚀，线索状况可能会发生变化。”

除了季节性天气之外，诸如砾石，泥土和覆盖物的地面覆盖物可能对机器人构成严重挑战。即使茂密的森林和树叶如果无法适应，也会对机器造成严重破坏。

研究人员通过采购虚拟室外步道的合成图像来节省自己收集真实数据的繁琐过程，以训练机器人。为了创建小径，该团队在Unity资源中构建了一个高山山景，其中包括Unity中的泥土小径以及树木，岩石和草地的3D模型。在组装之后，他们发布了一个虚拟机器人，其中包含三个相机，包含400 x 400像素分辨率和80度视野，收集了20,269张景观图像。

通过将图像大小调整为100 x 100 x 3像素，团队能够以更低的内存消耗实现更快的处理速度。在此步骤之后，他们将该集合组织成三组，一组用于培训，一组用于验证，第三组用于测试。数据集被馈送到三个不同的神经网络。该团队利用“深度神经网络(DNN)，卷积神经网络(CNN)和递归神经网络(RNN)”。

在AI控制虚拟机器人的测试期间，RNN模型能够以95.02%的准确度预测正确的轨迹方向。研究人员在他们的论文中指出，“观察到机器人在导航路径方面取得了很大的成功，包括那些转弯和障碍物如大石块。”“此外，我们观察了几个'智能'决策的实例;在一次试验中，机器人在与一个大障碍物碰撞后短暂地驶离了小径，然后导航回到小径并恢复其行程。

即使取得了所有进展，但没有一个系统具有100%的准确率。机器人错误地将地形视为轨迹特征，导致它们偏离航向。虽然他们的研究并不完美，但研究人员认为他们已经为可以增强机器人AI培训的方法奠定了基础。