【前沿技术】无自监督自主学习环境的导航方法

受DARPA资助，美国加州大学伯克利分校的研究人员针对“伯克利自主驱动地面机器人”（BADGR）提出了一种导航方法，在无监督情况下，可自主在现实世界中学习周围环境的物理属性。

机器人自主导航多根据环境中障碍物的几何形状，构建局部或全局地图，规划出通向指定位置的无碰撞路径。这种方法需要较多昂贵的传感器构建精确地图，同时部分障碍也无法用几何分析躲避。为此，研究人员提出了一种完全自主、可自我改进的移动机器人导航方法，可机器人在现实环境中的经验自主学习新环境的物理属性。

BADGR机器人尺寸为508mm×430mm×250mm，重17kg，适合在城市和越野环境中行驶，搭载的传感器包括一个六自由度的惯性测量单元、一个用于近似全局位置估计的GPS单元、一个测量车轮速度的编码器。

机器人顶部安装了两部摄像机、一台2D激光雷达、一个指南针。机器人的行动主要分四步：①采用时间相关的随机游走策略自主收集环境数据，减少人为干预并扩大数据的多样性；②自动处理原始的数据，并根据特定的导航事件标记数据，如碰撞、颠簸和位置；③训练神经网络模型，以当前的摄像机图像和未来计划的动作序列作输入，输出对未来相关事件的预测；④以预测的行走距离和实际行走距离的差作为奖励函数，训练神经网络。训练完成后，即可由神经网络向机器人下达动作指令，以完成导航任务。

这种无监督自主学习环境数据的方法提高了机器人的自主性，有望促进自主机器人在真实复杂地形中的应用。

（转载自蓝海星）