對救援人員和戶外運動愛好者來說，穿越荒野小徑是一項有用的技能，但對機器人來說卻很難。這并不是說這些機械動物沒有能力在爬上山坡的同時避開倒下的樹枝——最先進的機器學習算法可以做到這一點。問題在于它們缺乏通用性：人工智能驅動的機器人經常在他們從未見過的環境中掙紮。
科羅拉多大學(University of Colorado)的研究人員最近在一篇發表在預印本伺服器Arxiv.org上的論文(“荒野小徑上機器人的虛拟到現實轉移學習”)中提出了一個解決方案。他們的方法利用了多種深度學習模型。這是一種模拟神經的數學功能，可以幫助機器人從錄影機鏡頭中判斷出遠足路線的方向。
研究人員寫道：“機器人在許多涉及戶外使用的場景中都很有前途，比如搜救、野生動物管理和收集資料以改善環境、氣候和天氣預報。”“然而，戶外步道的自主導航仍是一個具有挑戰性的問題……在許多情況下，收集和管理訓練資料集可能不可行或不實用，尤其是在步道條件可能因季節性天氣變化、風暴和自然侵蝕而改變的情況下。”
正如這篇論文的作者所指出的，戶外步道有很多變化。它們由任意數量的材料(如礫石、泥土和覆寫物)定義，它們跨越不同的生物群落，如森林、草地和山脈。此外，它們的外觀随着季節、天氣和一天中的時間而變化，而且它們經常被茂密的植被部分遮擋。
收集和标記訓練一個健壯的系統所必需的真實資料将是非常耗時的，是以，研究人員轉而尋找虛拟戶外步道的合成圖像。為了制作它們，他們在Unity中組裝了一個帶有泥土小道的高山場景，并用Unity Asset Store中的樹木、岩石和草的3D模型來點綴它。然後，他們釋放了一個帶有三個攝像頭的虛拟機器人——每個攝像頭的分辨率為400×400像素，視野為80度——來收集20,269張風景圖檔。
研究小組将圖像的分辨率調整為100×100×3像素，這樣處理速度更快，記憶體消耗更低。然後他們将集合分成三組：一組用于教育訓練，一組用于驗證，第三組用于測試。
訓練資料集被輸入到三種結構不同的神經網絡：深度神經網絡(deep neural network, DNN)、卷積神經網絡(tional neural network, CNN)和遞歸神經網絡(regression neural network, RNN)。在人工智能完全控制虛拟機器人的實驗中，一個模型——RNN——成功預測出正确的軌迹方向，準确率達到95.02%。重要的是，在另一項測試中，研究人員在4000幅真實世界圖像的資料集上訓練了所有三種人工智能算法，DNN模型的準确率達到58.41%，超過了基線，表明虛拟到真實世界的轉移學習有潛力超過一些傳統的計算機視覺方法。
研究人員在報告中寫道：“我們觀察到，該機器人在包括急轉彎和大圓石等障礙物在内的路徑導航方面取得了很大的成功。”“此外，我們觀察到幾個‘明智’決策的例子；在一次試驗中，機器人在遇到一個大障礙物後，會短暫地偏離軌道，但之後又會回到軌道上繼續飛行。
這三種神經網絡的表現都不完美。該機器人偶爾會将特定的地形區域誤認為是步道特征，進而使其偏離航線。研究人員承認Unity的低品質地形包不允許對象之間有“足夠的差異”。(他們把提高通用性的技術探索留給了未來的工作，比如用程式生成不同條件下的地形。)
但他們認為，他們的工作為可能加快機器人地形導航人工智能訓練的方法奠定了基礎。
“機器人電池壽命、人類疲勞和安全問題是人工資料收集的主要挑戰；然而，通過我們的方法，這些問題可以避免，因為标記資料生成可以在虛拟環境中快速高效地執行，”研究人員寫道。“然後，機器人可能會接受虛拟訓練，以導航難以進入和/或危險的地形，包括目前不可能進入和收集真實資料的新地形(例如火星)，而從未接觸過這些環境。”
舉報/回報