面对陌生环境，机器人如何像人一样自由穿行？

对于移动机器人来说，判断周围环境的安全性以确保畅通无阻是非常重要的。如果这样的机器人在移动两步之前就“毛毛”撞到了墙上，那将是尴尬的。

典型的是扫地机器人。说白了，扫地机器人不断地撞墙。当然，它并不是真正的触摸，而是通过传感器判断周围是否有障碍物，然后绘制整个房间的地图。当它完成时，它可以愉快地完成扫地。这有点像决策树。如果这条路行不通，那就另谋出路，那就是通过不断的尝试和错误，最终尝试出正确的道路。但问题是，扫地机器人绘制的家庭地图只对特定环境有效。例如，我最后画了厨房的地图，然后当我走进卧室时，我不得不再画一次。有人借了它，它不得不重新工作。换句话说，这种扫地机器人的学习方法并不普遍。如果你搬了这个地方，你就不能使用它。它现有的工作经验在新环境下毫无用处。它的经验已经过时了。聪明的读者一定会理解我要说的：有没有办法重振机器人的这种死亡体验，以扩大其应用范围？答案是肯定的。有人开发了一个模型，只是为了让机器人一次撞上一个机器人，只是为了使机器获得类似人类的能力。然后，就扫地而言，人们不需要画画。当你抬头看时，左边是一扇门，右边是一堵墙，在中间是一片空地。很自然，你扫过了中间。你还没有笨到先碰墙，然后再碰门，最后你肯定中间的空地可以打扫，是吗？麻省理工学院的研究人员正试图让机器获得这种能力。他们制作了一个新的神经网络模型，使机器人能够独立探索环境，并在观察环境主体时接触现有的经验，从而实现目标。例如，当我看到一扇门时，我一眼就能知道如何以最短的路线走向它。另一方面，机器人通常会用决策树尝试无数种可能性，然后选择最佳方案。问题是，我们必须在不同的环境中做出新的决定，而现有的经验是完全无用的。换句话说，机器人的每一次尝试实际上都是第一次。人们知道如何走向这扇门，如果换到另一扇门，他们一眼就能知道。

然后，研究人员的目的是让机器人在做出判断时加入现有的经验，然后适应新的、不同的环境。它开发的模型是将规划算法与神经网络相结合，学会识别最佳路径，然后用它来引导机器人在陌生的环境中移动。例如，研究人员设计的模拟实验。机器人必须通过中间的一条狭窄通道逃离秘密房间，并到达较大房间的位置。在这条通道的两侧，会有一些其他物体设置的陷阱，当机器人碰到它时会卡住。传统的机器人会一个接一个地碰到它们，反复试错后在地图上绘制；

在这个实验中，研究人员对机器人进行了陷阱特征训练。因此，在逃生过程中，机器人在奔跑的同时识别前方的障碍物，最终实现对周围环境的感知，以最快、最好的路径到达目的地。简单地说，该模型的特点是可以更快地找到更合适的路径，培养机器人的自主导航能力。更不用说扫地了，离开转盘会有很大的好处。从研究人员绘制的美丽蓝图中，我们仍然可以清楚地看到他们的意图：让机器人在开路方面更像人。当机器人的自我导航能够从一个场景“移植”到另一个场景时，意味着可能会诞生大量的场景应用。首当其冲的肯定是扫地机器人。机器人被买回家后，第一件事永远不会是熟悉环境。通过已经获得的培训，它可以在工作过程中找到最佳路线，真正实现即插即用。不时地，“鹿撞”的扫地机器人时代也可能完全成为过去。这项技术的最大受益者可能是火爆的自动驾驶仪。当然，长途导航自然是没有必要的。毕竟，高精度地图和全球定位系统在那里发挥着作用。这项技术对自动驾驶汽车的影响在于短距离和即时驾驶导航决策。目前，为了确保自动驾驶汽车的安全驾驶，研究人员增加了大量硬件，如激光雷达、传感器、毫米波雷达和优越的算法。根据目前的技术，自动驾驶汽车基本上可以应对直行和转弯不畅的十字路口。但问题是，如果这是一个交通量更大的十字路口怎么办？还是通过转盘？

谷歌的无人驾驶汽车在测试期间受到了大多数人类司机的批评，也就是说，因为它是为了遵守交通规则和特殊礼让而设计的，所以在左转时，自动驾驶汽车总是在等待直行车辆通过，即使不影响直行车辆，它也无法长时间融入车流。以这种方式跟在后面的司机当然不高兴。需要知道的是，在确保安全的情况下，人类驾驶员可以遇到针，而自动驾驶汽车显然是不够的。或者这不是不可能的，只是为了确保安全，它不能这样设计。此外，即使向左转弯，一旦遇到环形交叉路口，我担心更复杂的转弯会让汽车等待得更合适。在研究人员的实验中，也涉及到这一方面。实验表明，该机器人可以捕捉周围车辆的交通信息并进行预测，然后做出适当的路线规划。甚至他也意识到，不同的司机会有温和或激烈的驾驶风格，从而制定不同的计划。简单地说，它可以让车辆永远停止对他人的礼貌，而是抓住机会通过。如果它足够准确，自动驾驶汽车可能比人类司机更好。毕竟，人会犹豫，而机器不会犹豫。也许更准确的雷达和传感器检测也有助于解决这个问题，但与开发训练模型和花费巨大成本提高检测精度相比，谁的成本效益更高是不言而喻的。当然，该模型并非无所不能，其应用范围仅限于短距离路径。如果它达到几百米甚至公里，卫星导航就更可靠了。除了不能无所不能之外，还有一些问题需要注意。首先，世界是静态和动态的结合体。显然，在处理静物时，这是没有问题的，即使是传统的家用机器人也可以处理，它只不过是一个高精度（甚至可能是高精度）传感器。研究人员的想法显然不是让它在安静和谐的环境中工作，而是找到一种在动态中生存的方法。在自动驾驶中的应用是本研究的起点之一。应对动态的交通和人流本身就是对自动驾驶的一大考验，更不用说在这样一个动态的过程中找到最佳路线了，这本身就很难解决。例如，自动驾驶汽车从转盘的第二个出口驶出，此时有一辆车正驶向其右侧的第三个出口，那么它应该如何选择？在那一刻，它必须判断几个因素：dis……

其位置与第二出口车道之间的距离；一辆或多辆其他汽车的速度和驾驶风格；然后设计最佳路线，安全驶离转盘，同时避免与其他车辆相撞，并一次性成功。因为我们只能成功一次，毕竟，我们不能像月光盒一样去碰它。让我们回到开始，再次尝试，直到试错成功，对吧？因此，如何开发优秀的算法来准确判断动态环境是该技术的关键内容。另一方面，模型的工作模式并没有脱离决策树算法。换句话说，实际上是两组决策作用于机器人。一种是通过神经网络制作的，当它根据现有的训练对前方位置做出高预测值时，机器人会听神经网络的；

当神经网络给出的预测值较低时，也就是说，它可能无法做出准确的判断，机器人仍然采用决策树方法，并试图慢慢犯错。。。这当然是可以理解的，即使这两种方法的结合也可能永远持续下去。在这个过程中应该改变的是，神经网络的依赖权重逐渐增加，决策树最终退化为仅作为一种保障。显然，目前，决策树算法仍有着非常重要的作用。如果这个模型最终能够应用到实践中，我们可能会看到机器人可以更自由地移动：自由扫地、自由过马路、自由过转盘。。。我们的生活也可能变得更加舒适。对于移动机器人来说，判断周围环境的安全性以确保畅通无阻是非常重要的。如果这样的机器人在移动两步之前就“毛毛”撞到了墙上，那将是尴尬的。

典型的是扫地机器人。说白了，扫地机器人不断地撞墙。当然，它并不是真正的触摸，而是通过传感器判断周围是否有障碍物，然后绘制整个房间的地图。当它完成时，它可以愉快地完成扫地。这有点像决策树。如果这条路行不通，那就另谋出路，那就是通过不断的尝试和错误，最终尝试出正确的道路。但问题是，扫地机器人绘制的家庭地图只对特定环境有效。例如，我最后画了厨房的地图，然后当我走进卧室时，我不得不再画一次。有人借了它，它不得不重新工作。换句话说，这种扫地机器人的学习方法并不普遍。如果你搬了这个地方，你就不能使用它。它现有的工作经验在新环境下毫无用处。它的经验已经过时了。聪明的读者一定会理解我要说的：有没有办法重振机器人的这种死亡体验，以扩大其应用范围？答案是肯定的。有人开发了一个模型，只是为了让机器人一次撞上一个机器人，只是为了使机器获得类似人类的能力。然后，就扫地而言，人们不需要画画。当你抬头看时，左边是一扇门，右边是一堵墙，在中间是一片空地。很自然，你扫过了中间。你还没有笨到先碰墙，然后再碰门，最后你肯定中间的空地可以打扫，是吗？麻省理工学院的研究人员正试图让机器获得这种能力。他们制作了一个新的神经网络模型，使机器人能够独立探索环境，并在观察环境主体时接触现有的经验，从而实现目标。例如，当我看到一扇门时，我一眼就能知道如何以最短的路线走向它。另一方面，机器人通常会用决策树尝试无数种可能性，然后选择最佳方案。问题是，我们必须在不同的环境中做出新的决定，而现有的经验是完全无用的。换句话说，机器人的每一次尝试实际上都是第一次。人们知道如何走向这扇门，如果换到另一扇门，他们一眼就能知道。

然后，研究人员的目的是让机器人在做出判断时加入现有的经验，然后适应新的、不同的环境。它开发的模型是将规划算法与神经网络相结合，学会识别最佳路径，然后用它来引导机器人在陌生的环境中移动。例如，研究人员设计的模拟实验。机器人必须通过中间的一条狭窄通道逃离秘密房间，并到达较大房间的位置。在这条通道的两侧，会有一些其他物体设置的陷阱，当机器人碰到它时会卡住。传统的机器人会一个接一个地碰到它们，反复试错后在地图上绘制；

在这个实验中，研究人员对机器人进行了陷阱特征训练。因此，在逃生过程中，机器人在奔跑的同时识别前方的障碍物，最终实现对周围环境的感知，以最快、最好的路径到达目的地。简单地说，该模型的特点是可以更快地找到更合适的路径，培养机器人的自主导航能力。更不用说扫地了，离开转盘会有很大的好处。从研究人员绘制的美丽蓝图中，我们仍然可以清楚地看到他们的意图：让机器人在开路方面更像人。当机器人的自我导航能够从一个场景“移植”到另一个场景时，意味着可能会诞生大量的场景应用。首当其冲的肯定是扫地机器人。机器人被买回家后，第一件事永远不会是熟悉环境。通过已经获得的培训，它可以在工作过程中找到最佳路线，真正实现即插即用。不时地，“鹿撞”的扫地机器人时代也可能完全成为过去。这项技术的最大受益者可能是火爆的自动驾驶仪。当然，长途导航自然是没有必要的。毕竟，高精度地图和全球定位系统在那里发挥着作用。这项技术对自动驾驶汽车的影响在于短距离和即时驾驶导航决策。目前，为了确保自动驾驶汽车的安全驾驶，研究人员增加了大量硬件，如激光雷达、传感器、毫米波雷达和优越的算法。根据目前的技术，自动驾驶汽车基本上可以应对直行和转弯不畅的十字路口。但问题是，如果这是一个交通量更大的十字路口怎么办？还是通过转盘？

谷歌的无人驾驶汽车在测试期间受到了大多数人类司机的批评，也就是说，因为它是为了遵守交通规则和特殊礼让而设计的，所以在左转时，自动驾驶汽车总是在等待直行车辆通过，即使不影响直行车辆，它也无法长时间融入车流。以这种方式跟在后面的司机当然不高兴。需要知道的是，在确保安全的情况下，人类驾驶员可以遇到针，而自动驾驶汽车显然是不够的。或者这不是不可能的，只是为了确保安全，它不能这样设计。此外，即使向左转弯，一旦遇到环形交叉路口，我担心更复杂的转弯会让汽车等待得更合适。在研究人员的实验中，也涉及到这一方面。实验表明，该机器人可以捕捉周围车辆的交通信息并进行预测，然后做出适当的路线规划。甚至他也意识到，不同的司机会有温和或激烈的驾驶风格，从而制定不同的计划。简单地说，它可以让车辆永远停止对他人的礼貌，而是抓住机会通过。如果它足够准确，自动驾驶汽车可能比人类司机更好。毕竟，人会犹豫，而机器不会犹豫。也许更准确的雷达和传感器检测也有助于解决这个问题，但与开发训练模型和花费巨大成本提高检测精度相比，谁的成本效益更高是不言而喻的。当然，该模型并非无所不能，其应用范围仅限于短距离路径。如果它达到几百米甚至公里，卫星导航就更可靠了。除了不能无所不能之外，还有一些问题需要注意。首先，世界是静态和动态的结合体。显然，在处理静物时，这是没有问题的，即使是传统的家用机器人也可以处理，它只不过是一个高精度（甚至可能是高精度）传感器。研究人员的想法显然不是让它在安静和谐的环境中工作，而是找到一种在动态中生存的方法。在自动驾驶中的应用是本研究的起点之一。应对动态的交通和人流本身就是对自动驾驶的一大考验，更不用说在这样一个动态的过程中找到最佳路线了，这本身就很难解决。例如，自动驾驶汽车从转盘的第二个出口驶出，此时有一辆车正驶向其右侧的第三个出口，那么它应该如何选择？在那一刻，它必须判断几个因素：dis……

其位置与第二出口车道之间的距离；一辆或多辆其他汽车的速度和驾驶风格；然后设计最佳路线，安全驶离转盘，同时避免与其他车辆相撞，并一次性成功。因为我们只能成功一次，毕竟，我们不能像月光盒一样去碰它。让我们回到开始，再次尝试，直到试错成功，对吧？因此，如何开发优秀的算法来准确判断动态环境是该技术的关键内容。另一方面，模型的工作模式并没有脱离决策树算法。换句话说，实际上是两组决策作用于机器人。一种是通过神经网络制作的，当它根据现有的训练对前方位置做出高预测值时，机器人会听神经网络的；当神经网络给出的预测值较低时，也就是说，它可能无法做出准确的判断，机器人仍然采用决策树方法，并试图慢慢犯错。。。这当然是可以理解的，即使这两种方法的结合也可能永远持续下去。在这个过程中应该改变的是，神经网络的依赖权重逐渐增加，决策树最终退化为仅作为一种保障。显然，目前，决策树算法仍有着非常重要的作用。如果这个模型最终能够应用到实践中，我们可能会看到机器人可以更自由地移动：自由扫地、自由过马路、自由过转盘。。。我们的生活也可能变得更加舒适。

标签：优越

汽车资讯热门资讯