伯克利新研究：不需要仿真测试，会自我学习的导航系统‘开云网页版’

加州大学伯克利分校的研究人员创立了伯克利自动驾驶地面机器人（BADGR）。BADGR是用于自我监督数据训练的末端到末端自律机器人。

与大多数传统的依赖几何数据来规划无撞击路径的传统机器人有所不同，BADGR依赖“经验”来导航系统，不须要任何建模仿真或人工监督。自动驾驶汽车被指出是“移动机器人”的一种，移动机器人导航系统一般来说被指出是几何问题，机器人的目标是感官环境的几何形状以便展开规划达到目标的无撞击路径。然而，世界的几何视图有可能足以让车辆已完成导航系统。例如，小型的机器人根据几何形状有可能回头不出高草丛生子的草地，因为草地被辨识为不能穿过的物体，因此将无法导航系统到目的地，小车有可能的状态为转圈。

加州大学伯克利分校的研究人员创立了伯克利自动驾驶地面机器人（BADGR）。BADGR是用于自我监督数据训练的末端到末端自律机器人。与大多数传统的依赖几何数据来规划无撞击路径的传统机器人有所不同，BADGR依赖“经验”来导航系统，不须要任何建模仿真或人工监督。

BADGR的核心是NvidiaJetsonTX2，它来处置车载摄像头，六维度惯性测量单位传感器，2DLIDAR传感器和GPS系统。具体来说，BADGR享有一个由动态照相机传感器的观测结果和一系列未来计划的行动获取的人工神经网络，神经网络不会预测抵达目标的最佳有可能路径。

BADGR自学如何通过以下方式导航系统：1.自律搜集数据；2.用于自我监督自律标记数据；3.训练基于图像的神经网络预测模型。此方法具备一个主要优势，传统技术可以避免路径中的高草，而BADGR可以在其中导航系统。

此外，这使BADGR在搜集更加多数据时以求提高。研究人员认为：BADGR背后的关键看法是，通过必要从现实世界中的经验中自律自学，BADGR可以理解导航系统能力，随着搜集更加多数据而不断改进，并推展到看不到的环境。通过更进一步实验指出，这种方法比SLAM或者通过建模的方法，导航系统效果更加引人注目。

但机器人将如何在看不到的甚至是敌对的环境中安全性地搜集数据？BADGR将如何适应环境有生命障碍（例如步行的人）的动态环境？还有待更进一步解决问题。

本文来源：开云网页版-www.0519fy.com