面對陌生環境，機器人如何像人一樣自由穿行？

對于移動機器人來說，判斷周圍環境的安全性以確保暢通無阻是非常重要的。如果這樣的機器人在移動兩步之前就“毛毛”撞到了墻上，那將是尷尬的。

典型的是掃地機器人。說白了，掃地機器人不斷地撞墻。當然，它并不是真正的觸摸，而是通過傳感器判斷周圍是否有障礙物，然后繪制整個房間的地圖。當它完成時，它可以愉快地完成掃地。這有點像決策樹。如果這條路行不通，那就另謀出路，那就是通過不斷的嘗試和錯誤，最終嘗試出正確的道路。但問題是，掃地機器人繪制的家庭地圖只對特定環境有效。例如，我最后畫了廚房的地圖，然后當我走進臥室時，我不得不再畫一次。有人借了它，它不得不重新工作。換句話說，這種掃地機器人的學習方法并不普遍。如果你搬了這個地方，你就不能使用它。它現有的工作經驗在新環境下毫無用處。它的經驗已經過時了。聰明的讀者一定會理解我要說的：有沒有辦法重振機器人的這種死亡體驗，以擴大其應用范圍？答案是肯定的。有人開發了一個模型，只是為了讓機器人一次撞上一個機器人，只是為了使機器獲得類似人類的能力。然后，就掃地而言，人們不需要畫畫。當你抬頭看時，左邊是一扇門，右邊是一堵墻，在中間是一片空地。很自然，你掃過了中間。你還沒有笨到先碰墻，然后再碰門，最后你肯定中間的空地可以打掃，是嗎？麻省理工學院的研究人員正試圖讓機器獲得這種能力。他們制作了一個新的神經網絡模型，使機器人能夠獨立探索環境，并在觀察環境主體時接觸現有的經驗，從而實現目標。例如，當我看到一扇門時，我一眼就能知道如何以最短的路線走向它。另一方面，機器人通常會用決策樹嘗試無數種可能性，然后選擇最佳方案。問題是，我們必須在不同的環境中做出新的決定，而現有的經驗是完全無用的。換句話說，機器人的每一次嘗試實際上都是第一次。人們知道如何走向這扇門，如果換到另一扇門，他們一眼就能知道。

然后，研究人員的目的是讓機器人在做出判斷時加入現有的經驗，然后適應新的、不同的環境。它開發的模型是將規劃算法與神經網絡相結合，學會識別最佳路徑，然后用它來引導機器人在陌生的環境中移動。例如，研究人員設計的模擬實驗。機器人必須通過中間的一條狹窄通道逃離秘密房間，并到達較大房間的位置。在這條通道的兩側，會有一些其他物體設置的陷阱，當機器人碰到它時會卡住。傳統的機器人會一個接一個地碰到它們，反復試錯后在地圖上繪制；

在這個實驗中，研究人員對機器人進行了陷阱特征訓練。因此，在逃生過程中，機器人在奔跑的同時識別前方的障礙物，最終實現對周圍環境的感知，以最快、最好的路徑到達目的地。簡單地說，該模型的特點是可以更快地找到更合適的路徑，培養機器人的自主導航能力。更不用說掃地了，離開轉盤會有很大的好處。從研究人員繪制的美麗藍圖中，我們仍然可以清楚地看到他們的意圖：讓機器人在開路方面更像人。當機器人的自我導航能夠從一個場景“移植”到另一個場景時，意味著可能會誕生大量的場景應用。首當其沖的肯定是掃地機器人。機器人被買回家后，第一件事永遠不會是熟悉環境。通過已經獲得的培訓，它可以在工作過程中找到最佳路線，真正實現即插即用。不時地，“鹿撞”的掃地機器人時代也可能完全成為過去。這項技術的最大受益者可能是火爆的自動駕駛儀。當然，長途導航自然是沒有必要的。畢竟，高精度地圖和全球定位系統在那里發揮著作用。這項技術對自動駕駛汽車的影響在于短距離和即時駕駛導航決策。目前，為了確保自動駕駛汽車的安全駕駛，研究人員增加了大量硬件，如激光雷達、傳感器、毫米波雷達和優越的算法。根據目前的技術，自動駕駛汽車基本上可以應對直行和轉彎不暢的十字路口。但問題是，如果這是一個交通量更大的十字路口怎么辦？還是通過轉盤？

谷歌的無人駕駛汽車在測試期間受到了大多數人類司機的批評，也就是說，因為它是為了遵守交通規則和特殊禮讓而設計的，所以在左轉時，自動駕駛汽車總是在等待直行車輛通過，即使不影響直行車輛，它也無法長時間融入車流。以這種方式跟在后面的司機當然不高興。需要知道的是，在確保安全的情況下，人類駕駛員可以遇到針，而自動駕駛汽車顯然是不夠的。或者這不是不可能的，只是為了確保安全，它不能這樣設計。此外，即使向左轉彎，一旦遇到環形交叉路口，我擔心更復雜的轉彎會讓汽車等待得更合適。在研究人員的實驗中，也涉及到這一方面。實驗表明，該機器人可以捕捉周圍車輛的交通信息并進行預測，然后做出適當的路線規劃。甚至他也意識到，不同的司機會有溫和或激烈的駕駛風格，從而制定不同的計劃。簡單地說，它可以讓車輛永遠停止對他人的禮貌，而是抓住機會通過。如果它足夠準確，自動駕駛汽車可能比人類司機更好。畢竟，人會猶豫，而機器不會猶豫。也許更準確的雷達和傳感器檢測也有助于解決這個問題，但與開發訓練模型和花費巨大成本提高檢測精度相比，誰的成本效益更高是不言而喻的。當然，該模型并非無所不能，其應用范圍僅限于短距離路徑。如果它達到幾百米甚至公里，衛星導航就更可靠了。除了不能無所不能之外，還有一些問題需要注意。首先，世界是靜態和動態的結合體。顯然，在處理靜物時，這是沒有問題的，即使是傳統的家用機器人也可以處理，它只不過是一個高精度（甚至可能是高精度）傳感器。研究人員的想法顯然不是讓它在安靜和諧的環境中工作，而是找到一種在動態中生存的方法。在自動駕駛中的應用是本研究的起點之一。應對動態的交通和人流本身就是對自動駕駛的一大考驗，更不用說在這樣一個動態的過程中找到最佳路線了，這本身就很難解決。例如，自動駕駛汽車從轉盤的第二個出口駛出，此時有一輛車正駛向其右側的第三個出口，那么它應該如何選擇？在那一刻，它必須判斷幾個因素：dis……

其位置與第二出口車道之間的距離；一輛或多輛其他汽車的速度和駕駛風格；然后設計最佳路線，安全駛離轉盤，同時避免與其他車輛相撞，并一次性成功。因為我們只能成功一次，畢竟，我們不能像月光盒一樣去碰它。讓我們回到開始，再次嘗試，直到試錯成功，對吧？因此，如何開發優秀的算法來準確判斷動態環境是該技術的關鍵內容。另一方面，模型的工作模式并沒有脫離決策樹算法。換句話說，實際上是兩組決策作用于機器人。一種是通過神經網絡制作的，當它根據現有的訓練對前方位置做出高預測值時，機器人會聽神經網絡的；

當神經網絡給出的預測值較低時，也就是說，它可能無法做出準確的判斷，機器人仍然采用決策樹方法，并試圖慢慢犯錯。。。這當然是可以理解的，即使這兩種方法的結合也可能永遠持續下去。在這個過程中應該改變的是，神經網絡的依賴權重逐漸增加，決策樹最終退化為僅作為一種保障。顯然，目前，決策樹算法仍有著非常重要的作用。如果這個模型最終能夠應用到實踐中，我們可能會看到機器人可以更自由地移動：自由掃地、自由過馬路、自由過轉盤。。。我們的生活也可能變得更加舒適。對于移動機器人來說，判斷周圍環境的安全性以確保暢通無阻是非常重要的。如果這樣的機器人在移動兩步之前就“毛毛”撞到了墻上，那將是尷尬的。

典型的是掃地機器人。說白了，掃地機器人不斷地撞墻。當然，它并不是真正的觸摸，而是通過傳感器判斷周圍是否有障礙物，然后繪制整個房間的地圖。當它完成時，它可以愉快地完成掃地。這有點像決策樹。如果這條路行不通，那就另謀出路，那就是通過不斷的嘗試和錯誤，最終嘗試出正確的道路。但問題是，掃地機器人繪制的家庭地圖只對特定環境有效。例如，我最后畫了廚房的地圖，然后當我走進臥室時，我不得不再畫一次。有人借了它，它不得不重新工作。換句話說，這種掃地機器人的學習方法并不普遍。如果你搬了這個地方，你就不能使用它。它現有的工作經驗在新環境下毫無用處。它的經驗已經過時了。聰明的讀者一定會理解我要說的：有沒有辦法重振機器人的這種死亡體驗，以擴大其應用范圍？答案是肯定的。有人開發了一個模型，只是為了讓機器人一次撞上一個機器人，只是為了使機器獲得類似人類的能力。然后，就掃地而言，人們不需要畫畫。當你抬頭看時，左邊是一扇門，右邊是一堵墻，在中間是一片空地。很自然，你掃過了中間。你還沒有笨到先碰墻，然后再碰門，最后你肯定中間的空地可以打掃，是嗎？麻省理工學院的研究人員正試圖讓機器獲得這種能力。他們制作了一個新的神經網絡模型，使機器人能夠獨立探索環境，并在觀察環境主體時接觸現有的經驗，從而實現目標。例如，當我看到一扇門時，我一眼就能知道如何以最短的路線走向它。另一方面，機器人通常會用決策樹嘗試無數種可能性，然后選擇最佳方案。問題是，我們必須在不同的環境中做出新的決定，而現有的經驗是完全無用的。換句話說，機器人的每一次嘗試實際上都是第一次。人們知道如何走向這扇門，如果換到另一扇門，他們一眼就能知道。

然后，研究人員的目的是讓機器人在做出判斷時加入現有的經驗，然后適應新的、不同的環境。它開發的模型是將規劃算法與神經網絡相結合，學會識別最佳路徑，然后用它來引導機器人在陌生的環境中移動。例如，研究人員設計的模擬實驗。機器人必須通過中間的一條狹窄通道逃離秘密房間，并到達較大房間的位置。在這條通道的兩側，會有一些其他物體設置的陷阱，當機器人碰到它時會卡住。傳統的機器人會一個接一個地碰到它們，反復試錯后在地圖上繪制；

在這個實驗中，研究人員對機器人進行了陷阱特征訓練。因此，在逃生過程中，機器人在奔跑的同時識別前方的障礙物，最終實現對周圍環境的感知，以最快、最好的路徑到達目的地。簡單地說，該模型的特點是可以更快地找到更合適的路徑，培養機器人的自主導航能力。更不用說掃地了，離開轉盤會有很大的好處。從研究人員繪制的美麗藍圖中，我們仍然可以清楚地看到他們的意圖：讓機器人在開路方面更像人。當機器人的自我導航能夠從一個場景“移植”到另一個場景時，意味著可能會誕生大量的場景應用。首當其沖的肯定是掃地機器人。機器人被買回家后，第一件事永遠不會是熟悉環境。通過已經獲得的培訓，它可以在工作過程中找到最佳路線，真正實現即插即用。不時地，“鹿撞”的掃地機器人時代也可能完全成為過去。這項技術的最大受益者可能是火爆的自動駕駛儀。當然，長途導航自然是沒有必要的。畢竟，高精度地圖和全球定位系統在那里發揮著作用。這項技術對自動駕駛汽車的影響在于短距離和即時駕駛導航決策。目前，為了確保自動駕駛汽車的安全駕駛，研究人員增加了大量硬件，如激光雷達、傳感器、毫米波雷達和優越的算法。根據目前的技術，自動駕駛汽車基本上可以應對直行和轉彎不暢的十字路口。但問題是，如果這是一個交通量更大的十字路口怎么辦？還是通過轉盤？

谷歌的無人駕駛汽車在測試期間受到了大多數人類司機的批評，也就是說，因為它是為了遵守交通規則和特殊禮讓而設計的，所以在左轉時，自動駕駛汽車總是在等待直行車輛通過，即使不影響直行車輛，它也無法長時間融入車流。以這種方式跟在后面的司機當然不高興。需要知道的是，在確保安全的情況下，人類駕駛員可以遇到針，而自動駕駛汽車顯然是不夠的。或者這不是不可能的，只是為了確保安全，它不能這樣設計。此外，即使向左轉彎，一旦遇到環形交叉路口，我擔心更復雜的轉彎會讓汽車等待得更合適。在研究人員的實驗中，也涉及到這一方面。實驗表明，該機器人可以捕捉周圍車輛的交通信息并進行預測，然后做出適當的路線規劃。甚至他也意識到，不同的司機會有溫和或激烈的駕駛風格，從而制定不同的計劃。簡單地說，它可以讓車輛永遠停止對他人的禮貌，而是抓住機會通過。如果它足夠準確，自動駕駛汽車可能比人類司機更好。畢竟，人會猶豫，而機器不會猶豫。也許更準確的雷達和傳感器檢測也有助于解決這個問題，但與開發訓練模型和花費巨大成本提高檢測精度相比，誰的成本效益更高是不言而喻的。當然，該模型并非無所不能，其應用范圍僅限于短距離路徑。如果它達到幾百米甚至公里，衛星導航就更可靠了。除了不能無所不能之外，還有一些問題需要注意。首先，世界是靜態和動態的結合體。顯然，在處理靜物時，這是沒有問題的，即使是傳統的家用機器人也可以處理，它只不過是一個高精度（甚至可能是高精度）傳感器。研究人員的想法顯然不是讓它在安靜和諧的環境中工作，而是找到一種在動態中生存的方法。在自動駕駛中的應用是本研究的起點之一。應對動態的交通和人流本身就是對自動駕駛的一大考驗，更不用說在這樣一個動態的過程中找到最佳路線了，這本身就很難解決。例如，自動駕駛汽車從轉盤的第二個出口駛出，此時有一輛車正駛向其右側的第三個出口，那么它應該如何選擇？在那一刻，它必須判斷幾個因素：dis……

其位置與第二出口車道之間的距離；一輛或多輛其他汽車的速度和駕駛風格；然后設計最佳路線，安全駛離轉盤，同時避免與其他車輛相撞，并一次性成功。因為我們只能成功一次，畢竟，我們不能像月光盒一樣去碰它。讓我們回到開始，再次嘗試，直到試錯成功，對吧？因此，如何開發優秀的算法來準確判斷動態環境是該技術的關鍵內容。另一方面，模型的工作模式并沒有脫離決策樹算法。換句話說，實際上是兩組決策作用于機器人。一種是通過神經網絡制作的，當它根據現有的訓練對前方位置做出高預測值時，機器人會聽神經網絡的；當神經網絡給出的預測值較低時，也就是說，它可能無法做出準確的判斷，機器人仍然采用決策樹方法，并試圖慢慢犯錯。。。這當然是可以理解的，即使這兩種方法的結合也可能永遠持續下去。在這個過程中應該改變的是，神經網絡的依賴權重逐漸增加，決策樹最終退化為僅作為一種保障。顯然，目前，決策樹算法仍有著非常重要的作用。如果這個模型最終能夠應用到實踐中，我們可能會看到機器人可以更自由地移動：自由掃地、自由過馬路、自由過轉盤。。。我們的生活也可能變得更加舒適。

標簽：優越

汽車資訊熱門資訊