麻省理工学院送货机器人
(综合报导)最后一公里配送可以交给机器人完成吗?可以,但机器人要怎么找到正确的门还是问题。
一般来说,机器人导航需要提前绘制区域地图,用演算法引导机器人朝特定目标或 GPS 坐标前进。这种方法在探索一个建筑布局或规划障碍赛道时有意义,但在最后一公里的送货环境,这种办法可能「很笨」。想像一下,你在商场里使用手机导航不如开口问路。
麻省理工学院新闻办公室的 Jennifer Chu 也表示:「如果我们要提前绘制机器人送货区域内每个社区,包括社区内每栋房子配置,以及每栋房子前门的具体坐标。这种绘制任务很难扩展到整个城市,尤其房屋外观经常随著季节而变化。」
成本高、操作难度大之外,把每户人家坐标都传到系统也会让人忧心隐私问题。与其用这个方法,快递物流企业估计更愿意多雇几个快递员。
我们可以开口问路,但机器人没法子,只能看。
麻省理工和福特汽车的工程师现在训练机器人不用地图,透过线索去「找」门。
麻省理工学院机械工程系的研究生 Michael Everett 表示,不同区域的布局都不同,但也会有些共同点。「即使机器人把包裹送到从未到过的地方,也可能发现一些线索,与其他地方看到的一样。」
线索可能是前门、车库、车道等「路标」。机器人经过训练后,很可能知道一条车道常通向人行道,而人行道一般会通向家门口。
不依赖地图的情况下,这项技术可减少机器人辨识目标时探索地形的时间。你不再需要为机器人绘制一张高精度地图,只需要把它放在车道上,让它自己寻找那扇门。
近年来,研究人员致力于将自然语义引入机器人系统。
训练机器人透过语义标签辨识物体,就可以把一扇门当一扇门,而不是当成矩形障碍物。
此技术的出色之处在于,让机器人感知周围事物。
语义从现有视觉数据提取特征的演算法,以上下文形式用语义线索生成同场景的新地图。这种演算法称为语义 SLAM(同步定位和映射)。
研究人员把演算法应用到卫星图像,就可以把这张包含一个城市和三个郊区社区 77 户人家的地图依据图中较亮的区域,绘制出最有效的路径。对每幅卫星图像,研究员 Everett 都会为典型的前院环境特征赋予语义标签和颜色,前门是灰色的,车道是蓝色的,树篱是绿色的。
训练过程中,研究团队为每张图像遮罩处理,模拟机器人穿过院子时可能会出现的局部视角。
传统演算法不考虑周围语义,探索很多不大可能接近目标的区域。而使用新演算法,机器人找到前门的速度比传统导航演算法快了 189%
未来,机器人或许可以自己做决定,确定通往目的地的最佳路径。