一个室内机器人导航的框架

为了解决它们被设计来完成的任务，移动机器人应该能够有效地在现实世界的环境中导航，避开人类或他们周围的其他障碍。虽然机器人很容易发现和绕过静态对象，但要避开人类可能更具挑战性，因为这需要预测它们未来的动作并相应地进行规划。

加州大学伯克利分校(University of California, Berkeley)的研究人员最近开发了一种新的框架，可以增强在办公室、家庭或博物馆等室内环境中的人类机器人导航能力。他们的模型在arXiv上预先发表的一篇论文中提出，在一个名为HumANav的新编译的逼真图像数据集上进行训练。

研究人员在论文中写道:“我们提出了一种新的人类导航框架，它将基于学习的感知与基于模型的最优控制相结合。”

这些研究人员开发的新框架，称为lb - wayptnavv - dh，有三个关键组件:感知、规划和控制模块。感知模块基于卷积神经网络(CNN)，它被训练成将机器人的视觉输入映射到一个路径点(即路径点)。(下一个期望状态)使用监督学习。

然后，由CNN映射的路径点被提供给框架的规划和控制模块。将这两个模块结合起来，可以确保机器人安全移动到目标位置，避免任何障碍物和周围的人。

研究人员对他们的CNN进行了图像训练，这些图像包含在他们编辑的数据集中，这些数据集被称为HumANav。HumANav包含逼真的模拟建筑环境的渲染图像，其中人类在移动，改编自另一个名为SURREAL的数据集。这些图像描绘了6000个步行的、有纹理的人体网格，按体型、性别和速度排列。

研究人员在他们的论文中写道:“所提出的框架只基于单目RGB图像，学习预测人们的动作并做出反应，而没有明确预测未来人类的动作。”

研究人员在一系列的实验中对lb - wayptnavv - dh进行了评估，这些实验既有模拟的，也有真实的。在现实世界的实验中，他们将其应用到Turtlebot 2上，这是一款使用开源软件的低成本移动机器人。研究人员报告说，机器人导航框架可以很好地推广到看不见的建筑物，在模拟和真实环境中有效地绕过人类。

研究人员在论文中写道:“我们的实验证明，与单纯的基于学习的方法相比，将基于模型的控制和学习相结合，可以产生更好、更高效的数据导航行为。”

新框架最终可以应用于各种移动机器人，增强它们在室内环境中的导航能力。到目前为止，他们的方法被证明执行得非常好，将在模拟环境中开发的策略转移到真实环境中。

在他们未来的研究中，研究人员计划在更复杂或拥挤环境的图像上训练他们的框架。此外，他们还想扩大他们所汇编的训练数据集，包括一组更加多样化的图像。

进一步探索

smlbansal.github.io LB-WayPtNav-DH /

©2020 Science X Network