机器人如何像人一样穿梭在现实世界？

一般情况下，我们无需过多考虑，便能在人群中安全的穿过，我们可以理解别人的行为并避免身边的障碍。然而，这对于机器人来说却是一件比较困难的事情。

近期，麻省理工大学的研究人员设计出了一种能帮助机器人向人类一样在环境中进行自我导航的方法。他们提出了一种新的运动规划模型（motion-planning model）能使机器人通过环境探索、观察、学习经验来确定如何到达目标点。在本周的IEEE/RSJ智能机器人和系统国际会议（IROS）上发表了一篇描述该模型的论文。

目前主流的运动规划算法一般是通过创建决策树，生成很多分支来找到最佳的导航路径。例如，在房间里的机器人想要到达门口，它会生成一棵具有很多分支的决策树，其中每个分支就代表一条可能的导航路径，然后通过综合考虑环境中的限制条件来选择最佳路径并执行。这类算法最大的缺点就是不能通过学习自己或别的机器人之前的经验来进行快速的行动决策。这就导致机器人每次都是全新的路径决策，就像人类在探索新的世界。也许同一种情况已经在过去发生了一千次，但是依然像第一次遇见一样。他们总是在探索、观察，却很少利用过去的经验。

新的运动规划模型将规划算法和神经网络相结合，学习识别最佳路径，并将其作为知识，用于以后指导机器人在环境中运动。

在这篇名为“Deep sequential models forsampling-based planning”（用于抽样规划的深度序列模型）的论文中，研究人员在两种情况下展示了他们模型的优势：

在具有陷阱和狭窄通道的挑战性房间中的导航

避免与其他机器人碰撞的共同区域导航

一个颇有前景的实际应用就是帮助自动驾驶汽车在交叉路口进行自身导航，这种环境下，自动驾驶系统必须快速的预测其他车辆和行人要做的事情。研究人员正在与丰田合作开发此类应用。

该模型的创意源自于人与世界的交互。当我们与世界进行互动时，我们可以辨识出之前我们接触过的对象或者曾经到过的地方，可以很好地利用历史经验，所以我们可以很快地知道下一步如何行动。因此，研究人员在路径探索的基础上，加入了机器学习模型，帮助机器利用过去经验提高规划效率。

虽然，目前人工智能的发展程度相对较低，还有很多问题需要解决，但随着工业界和学术界科研人员的不断努力，各项人工智能技术不断快速发展，机器人的各项行为将越来越接近人类，为我们提供更多更好的服务。

END

本公众号原创作品，未经授权禁止转载，特此声明，谢谢合作！