一种导航方法可能加快自主最后一公里配送。
在不太遥远的未来，机器人或许会被派去充当最后一公里配送车辆，把您的外卖订单、包裹或餐食套餐送到家门口——前提是它们能找到门。
机器人导航的标准方法是事先绘制某个区域的地图，然后利用算法引导机器人前往地图上的特定目标或GPS坐标。这种方法或许适用于探索特定环境，例如某栋建筑的布局或预设的障碍赛道，但在最后一公里配送的场景下，它可能变得十分笨拙。
试想一下，如果必须事先绘制机器人配送区域内每一个街区的地图，包括该街区内每栋房屋的布局以及每栋房屋前门的具体坐标，那将是一项艰巨的任务。这样的工作很难扩展到整座城市，尤其是房屋外观往往会随季节而变化。逐一绘制每栋房屋的地图还可能引发安全和隐私问题。
如今，麻省理工学院的工程师开发出一种无需事先绘制区域地图的导航方法。他们的方法使机器人能够利用周围环境中的线索来规划前往目的地的路线，而目的地可以用“前门”或“车库”等一般语义术语来描述，而不必用地图上的坐标来表示。例如，如果指示机器人将包裹送到某人的前门，它可能会从道路出发，看到一条车道，而该机器人经过训练，知道车道很可能通向人行道，而人行道又很可能通向前门。
这项新技术可以大幅减少机器人在确定目标之前探索房产所花费的时间，而且它不依赖于特定住宅的地图。
“我们不希望为每一座需要前往的建筑都绘制一张地图，”麻省理工学院机械工程系的研究生迈克尔·埃弗雷特（Michael Everett）说道，“借助这项技术，我们希望能把机器人放在任何一条车道的尽头，让它找到门。”
埃弗雷特将于本周在智能机器人与系统国际会议上展示该团队的研究成果。这篇论文由麻省理工学院航空航天学教授乔纳森·豪（Jonathan How）以及福特汽车公司的贾斯汀·米勒（Justin Miller）共同撰写，并入围“认知机器人最佳论文”奖的决选。
“对事物的感知”
近年来，研究人员致力于将自然的语义语言引入机器人系统，训练机器人根据语义标签识别物体，例如，使它们能够在视觉上将门识别为门，而不只是将其视为一个坚固的矩形障碍物。
“现在，我们有能力让机器人实时地感知事物是什么，”埃弗雷特说。
埃弗雷特、豪和米勒正在利用类似的语义技术，作为其新导航方法的跳板。该方法利用已有的算法，从视觉数据中提取特征，从而生成同一场景的新地图，该地图以语义线索或语境的形式呈现。
在他们的研究中，研究人员使用一种算法，在机器人移动时利用每个物体的语义标签和深度图像，逐步构建环境地图。该算法被称为语义SLAM（同步定位与地图构建）。
尽管其他语义算法已使机器人能够识别环境中的物体并将其按实际属性映射出来，但它们无法让机器人在探索新环境时即时做出决策，即选择通往“前门”等语义目标的最高效路径。
“以前，探索就是把机器人放下，说声‘走’，它会四处移动并最终到达目的地，但速度会很慢，”豪说。
前往目标的代价
研究人员致力于加快机器人在语义化、带语境着色的世界中进行路径规划的速度。他们开发了一种新的“前往目标代价估计器”，这是一种算法，可将现有SLAM算法生成的语义地图转换为第二张地图，该地图表示任一给定位置接近目标的可能性。
“这一灵感来源于图像到图像的转换：把一张猫的照片变成狗的样子，”埃弗雷特说，“这里的思路相同：你拿一张看起来像世界地图的图像，将其转换为另一张看起来仍是世界地图、但颜色会根据地图上不同点与最终目标的距离而变化的图像。”
这张前往目标代价地图以灰度进行着色，较暗的区域表示远离目标的位置，较亮的区域表示接近目标的区域。例如，语义地图中以黄色编码的人行道，经前往目标代价算法转换后，可能在新地图中呈现为较暗的区域；而车道则会随着接近前门而逐渐变亮，前门处为新地图中最亮的区域。
研究人员使用来自必应地图（Bing Maps）的卫星图像训练了这一新算法，这些图像包含来自一个城市街区和三个郊区街区的77栋房屋。该系统将语义地图转换为前往目标代价地图，并沿着地图中较亮的区域，规划出通往最终目标的最高效路径。对于每张卫星图像，埃弗雷特为典型前院中的语境特征分配了语义标签和颜色，例如，前门为灰色，车道为蓝色，树篱为绿色。
在训练过程中，团队还对每张图像施加了遮罩，以模拟机器人摄像头在穿越院子时可能获得的局部视野。
“我们方法的诀窍之一是[向系统提供]大量局部图像，”豪解释道，“因此，系统必须真正弄清楚所有这些事物之间是如何相互关联的。这正是使这项工作具有稳健性的原因之一。”
随后，研究人员在一个模拟环境中测试了他们的方法，该模拟针对一张完全不在训练数据集中的全新房屋图像。他们首先使用现有的SLAM算法生成语义地图，然后应用新的前往目标代价估计器生成第二张地图，并规划出通往目标（本例中为前门）的路径。
该团队的新前往目标代价技术找到前门的速度比经典导航算法快189%。经典导航算法不考虑语境或语义，而是会花费过多步骤探索那些不太可能靠近目标的区域。
埃弗雷特表示，这些结果表明，即使在不熟悉、未绘制地图的环境中，机器人也能利用语境高效地定位目标。
“即使机器人要把包裹送到一个从未去过的环境中，那里也可能存在一些与它曾经见过的其他地方相同的线索，”埃弗雷特说，“因此，这个世界的布局或许略有不同，但很可能存在一些共同之处。”
本研究部分得到了福特汽车公司的资助。
