Google的AI可帮助机器人在办公室中的人类周围导航

 
在本周于预印本服务器Arxiv.org，谷歌和加利福尼亚大学发表的一项研究中，伯克利的研究人员提出了一个框架，该框架将基于学习的感知与基于模型的控件相结合，使轮式机器人能够自动绕过障碍物导航。他们说，这种方法很好地概括了避免在模拟和现实环境中看不见的建筑物和人的行为，并且与纯基于学习的方法相比，它可以导致更好和更有效的数据行为。
正如研究人员所解释的那样，自动机器人导航具有实现许多关键机器人应用的潜力，从运送食物和药品的服务机器人到后勤和搜索机器人以执行救援任务。在这些应用中，机器人必须在人与人之间安全地工作，并根据观察到的人类行为来调整其动作。例如，如果有人向左转，则机器人应将人向右移，以免将其割断;当人朝与机器人相同的方向移动时，机器人应与机器人和机器人之间保持安全距离。人。
为此，研究人员的框架利用了恰当地称为“激活导航数据集”(HumANav)的数据集，该数据集扫描了放置在办公楼中的6,000名合成但现实的人。 (建筑物网格扫描是从开放源代码的斯坦福大型3D室内空间数据集采样的，但是支持任何纹理的建筑物网格。)它允许用户操纵建筑物内的人工代理，并通过标准相机提供逼真的渲染，从而确保了重要与人类运动相关的视觉提示出现在图像中，例如，当某人快速行走时，其腿部将比其缓慢移动时分开。对于上面提到的合成人，研究小组转向了SURREAL数据集，该数据集以各种姿势，性别，身体形状和光照条件渲染人的图像。这些图像来自真实的人类运动捕获数据，并包含各种动作，例如跑步，跳跃，跳舞，杂技和步行，并具有可调整的变量-包括位置，方向和角速度。
框架生成航路点及其关联的轨迹后，它会在沿轨迹的每个状态下渲染由机器人的摄像头记录的图像，并保存轨迹以及最佳航路点。轨迹和航路点用于训练机器学习模型，该模型有助于对人类运动进行推理。
在实验中，研究人员生成了18万个样本，并在其中的125,000个模拟中训练了一个模型LB-WayPtNav-DH。当在没有经过微调或在两个从未见过的建筑物中进行额外训练的情况下，将其部署在Turtlebot 2机器人上时，该模型通过“展示行为(考虑了人类行为主体的动态特性)”而成功进行了10次试验。具体而言，在一种情况下，它通过沿相反方向移动而避免了与人的碰撞，而在另一种情况下，它花费了围绕拐角的较大转弯半径来为人留出空间。
该团队说，他们的框架所产生的轨迹比以前的工作更平滑，并且不需要对人类进行明确的状态估计或轨迹预测，从而可以获得更可靠的性能。此外，他们说，特工可以在规划自己的道路时，考虑到人们的预期动作，从而学会推理人类的动态本质。
共同作者写道：“在未来的工作中，在更复杂和更拥挤的场景中学习更丰富的导航行为将很有趣。” “在机器人状态估计中处理噪声将是另一个有趣的未来方向。”
Google不是唯一从事自主机器人导航研究的科技巨头。 Facebook最近发布了一个模拟器-AI Habitat，它可以训练AI代理商，这些代理商可以像家用机器人那样在模拟现实世界中的公寓和办公室的环境中操作。在去年12月发表的一篇论文中，亚马逊研究人员描述了一种家用机器人，当它对去哪里感到困惑时会问一些问题。