擬人化的機器人導航系統
科技產業資訊室 (iKnow) - 周媛韻 發表於 2018年10月18日
圖、擬人化的機器人導航系統
麻省理工學院計算機科學及AI實驗室(CSAIL)的研究人員設計了一種新的模型來幫助機器人的導航環境更擬人化。新穎的活動規劃模型讓機器人透過探索環境、觀察其他特工及利用他們在類似情況下學到的技術來決定如何達到目標。該詳細的模型發表在IEEE/RSJ的IROS期刊上。
新的運動規劃模型結合了演算法及神經網絡,創造一個多分支的決策樹以幫助找到最良好的導航途徑。該演算模型可以一步一步的展開移動的決策樹途徑,考慮各種內外在環境的約束,可以幫助找出從起點到終點的最佳路徑,並從過去的經驗中了解如何提高規劃效率。演算法結合學習識別可以產生最佳的途徑,並利用這些知識來指導機器人移動,稱為RRT演算法。而神經網路反射出決策樹決策每一個步驟,並對機器人下一步動作進行概率的預測。當神經網絡預測的可信度高時,就會納入被學習的途徑,並引導機器人進入新的途徑;若預測的可信度低時,就會引導機器人像傳統的規劃者一樣再次環境探索。
研究人員在兩種情況下展示了新模型,以強調新模型的優點。他們在具有陷阱並充滿狹窄通道的房間及避免與其他代理人碰撞的同時導航區域來進行挑戰,稱為“蟲陷阱”的模擬環境。結果發現2D機器人可以順利通過狹窄通道並逃逸到比較大的環境中。在這項模擬中,機器人接受了如何逃脫不同陷阱的訓練,當遇到新陷阱時,機器人會識別該陷阱的特徵,並逃脫到更寬廣的環境重新探索。結合神經網絡的新模型能夠幫助機器人找到陷阱的出口、辨識死角、快速感知周圍的環境以找到新的目標。
在另一項實驗中,研究人員在具有多個移動代理的導航環境中訓練了該模型。對於自駕車在交叉路口和圓環叉路是一種很有用的測試。在模擬測試中,有幾個代理人會圍著障礙物,機器人代理必須成功導航器他的代理人,避免碰撞,並到達目標位置。結果說明了新的模型可以充分捕獲其他代理人未來行為的訊息,以提早做出反應,並在導航中做出正確的決策,降低危險性。(780字;圖1)
參考資料:
Model helps robots navigate more like humans do. MIT News,2018/10/4
Technique could enable robots to navigate pushy crowds, congested streets. ZDNet,2018/10/8
出處:MIT News
時間:2018/10/4
--------------------------------------------------------------------------------------------------------------------------------------------
【聲明】
1.科技產業資訊室刊載此文不代表同意其說法或描述,僅為提供更多訊息,也不構成任何投資建議。
2.著作權所有,非經本網站書面授權同意不得將本文以任何形式修改、複製、儲存、傳播或轉載,本中心保留一切法律追訴權利。
|