科羅拉多大學的研究者在最近發表的論文中提出了依靠包括神經模擬數學函式在內的多種深度學習模型來幫助機器人從相機畫面中分辨出野外路徑的方法。

“機器人有望在多種戶外場景中發揮作用，例如搜尋救援、野生動物管理、收集數據保護環境、氣候研究和天氣預報等，”研究者寫道，“但是，野外環境中的自動導航一直是個技術難題。收集和分析訓練數據集的方法在一些場景中并不可行，特別是考慮到地形狀況有可能會受到季節變化、暴風雨和自然侵蝕的影響。”

論文作者指出，野外路徑中存在著太多變數，收集和標記真實世界的數據來訓練機器人系統將耗費巨大的時間，因此研究者將目光轉向人工虛擬野外環境圖像。為了合成這些圖像，他們用游戲引擎Unity搭建了一個有土路的高山場景，再用樹木、巖石和葉子的3D模型加以點綴。然后，他們在其中釋放了一個裝備有三個80度視域、400乘400像素攝像頭的虛擬機器人并最終收集到了兩萬多張地貌圖片。

在虛擬環境中繪制野外地圖

研究團隊壓縮了這些圖片的像素數從而加快處理速度并減少內存占用，然后將圖片分為三組，一組用于訓練、一組用于校驗、還有一組用于測試。

訓練組的數據被輸入進三個架構不同的神經網絡，它們分別是深度神經網絡(DNN)、卷積神經網絡(CNN)和循環神經網絡(RNN)。在實驗中AI對虛擬機器人有完整控制權，RNN模型推斷正確路徑方向的準確率達到了95.02%。在另一個實驗中，研究者用四千張真實世界的圖片訓練三種AI算法，DNN模型的路徑推斷準確率為58.41%，這個成績高于基準線并預示著從虛擬到現實的遷移學習有潛力勝過一些應用了計算機視覺技術的常規方法。

“我們觀察到機器人在野外導航領域整體上是成功的，包括那些帶有急轉彎障礙物的場景，例如巨石等，”研究者寫道，“此外，我們還觀察到了幾個智能決策的案例，有一次，機器人在發現障礙物后徑直離開了路徑，但它隨后重新返回路徑并繼續它的旅程。”

這三種神經網絡都沒有做到完美。機器人有時會將某些特別的地面區域識別為路徑并導致方向偏離。除此之外，研究者也承認Unity引擎生成的低畫質圖像不足以表現出不同物體之間的差異性。但他們認為這項研究為日后加快地形導航AI的訓練打下了基礎。

“機器人的電池壽命、人類的疲勞因素以及安全方面的考量都是人工收集數據所面臨的挑戰，但是我們的方法有效避開了這些問題，因為在虛擬環境中可以迅速高效地生成標記數據，”研究者寫道，“這樣一來機器人就能在虛擬環境中接受地形導航訓練而無需在真實世界中踏足那些危險復雜的地形場景。”

關鍵詞：