语义SLAM导航针对最后一英里的交付机器人

在不久的将来，最后一英里的送货机器人可能会在您家门口取消您的外卖订单，包裹或餐包订阅–如果他们能找到门。

机器人导航的标准方法包括提前绘制区域，然后使用算法将机器人引向特定目标或地图上的GPS坐标。尽管这种方法对于探索特定环境（例如特定建筑物的布局或计划的障碍物路线）可能是有意义的，但在最后一英里的交付机器人的背景下，它可能变得笨拙。

例如，想象一下，必须预先绘制机器人交付区域内的每个邻居，包括该邻居内每个房子的配置以及每个房子前门的特定坐标。这样的任务可能难以扩展到整个城市，尤其是随着房屋的外观经常随季节变化而变化。绘制每所房屋的地图也可能会遇到安全和隐私问题。

现在，麻省理工学院的工程师已经开发出一种导航方法，不需要预先绘制区域。取而代之的是，他们的方法使机器人能够利用其环境中的线索来规划到达其目的地的路线，这可以用一般的语义术语（例如“前门”或“车库”）来描述，而不是作为地图上的坐标来描述。例如，如果指示机器人将包裹运送给某人’在前门上，它可能会在道路上开始并看到一条车道，经训练，它可以识别出可能通往人行道，而人行道又有可能通往前门。

有关： 交付测试结合了自动驾驶汽车，双足机器人

这项新技术可以极大地减少最后一英里的运送机器人在确定目标之前花在探索某处房产上的时间，而且它不依赖于特定住宅的地图。

麻省理工学院机械工程系的研究生迈克尔·埃弗里特（Michael Everett）说：“我们不需要为每座需要参观的建筑物绘制地图。” “通过这种技术，我们希望将机器人放到任何车道的尽头，让它找到一扇门。”

埃弗里特（Everett）在国际智能机器人和系统会议上介绍了该小组的研究结果。 论文由麻省理工学院航空与航天学教授乔纳森·霍（Jonathan How）和福特汽车公司的贾斯汀·米勒（Justin Miller）合着的《最佳认知机器人论文》的决赛入围者。

“对事物的感觉”

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，训练机器人通过其语义标签识别物体，以便他们可以视觉上将一扇门当作一扇门，而不是简单地当作一个坚固的矩形障碍物来处理。 。

“现在，我们有能力使机器人实时了解事物的状态，”埃弗里特说。

Everett，How和Miller将类似的语义技术用作其新导航方法的跳板，该方法利用了现有的算法，这些算法从可视数据中提取特征以生成同一场景的新地图，以语义线索或上下文表示。

在他们的案例中，研究人员使用一种算法在机器人四处移动时使用每个对象的语义标签和深度图像来构建环境图。该算法称为语义SLAM（同步本地化和映射）。

尽管其他语义算法使机器人能够识别并映射环境中的对象，但它们并不允许机器人在导航新环境时即以最有效的路径到达语义目的地时做出决策。例如“前门”。

“在进行探索之前，先放下一个机器人，然后说'去吧'，它会四处走动并最终到达那里，但是速度会很慢，” How说。

去的成本

研究人员希望加快机器人速度’通过语义，上下文着色的世界进行路径规划。他们开发了一种新的“待销成本估算器”，该算法将预先存在的SLAM算法创建的语义图转换为第二张图，表示任何给定位置接近目标的可能性。

“这是受到图像到图像转换的启发，您可以在其中拍摄猫的照片并使它看起来像狗，”埃弗里特说。 “在这里发生了相同类型的想法，您拍摄一张看起来像世界地图的图像，然后将其转换为另一张看起来看起来像世界地图的图像，但现在根据地图上不同点的接近程度对其进行着色达到最终目标。”

此“成本计算”地图以彩色着色，以表示较暗的区域为远离目标的位置，较亮的区域为接近目标的区域。例如，在语义地图中以黄色编码的人行道，可以通过成本核算算法转换为新地图中较暗的区域，而车道则在接近前门时逐渐变轻，新地图中最亮的区域。

研究人员在来自Bing地图的卫星图像上训练了这种新算法，该图像包含来自一个城市和三个郊区的77栋房屋。该系统将语义图转换为可使用的成本图，并按照最轻的区域映射出最有效的路径，直至最终目标。对于每个卫星图像，埃弗里特为典型的前院中的环境特征分配语义标签和颜色，例如前门为灰色，车道为蓝色，绿篱为绿色。

在训练过程中，研究小组还对每张图像应用了遮罩，以模仿机器人摄像机经过院子时可能会看到的局部视图。

“我们方法的部分技巧是[提供系统]很多局部图像，” How解释道。 “因此，它真的必须弄清楚所有这些东西是如何相互关联的。这就是使这项工作稳定进行的部分原因。”

然后，研究人员在训练数据集之外的一所全新房屋的图像模拟中测试了他们的方法，首先使用预先存在的SLAM算法生成语义图，然后使用其新的成本估算器生成第二张地图和通往目标的路径（在这种情况下为前门）。

该小组的新的成本管理技术发现前门的速度比经典导航算法快了189％，后者没有考虑上下文或语义，而是花了过多的步骤来探索不太可能达到其目标的区域。

埃弗里特（Everett）说，结果说明了即使在陌生，未映射的环境中，机器人也可以使用上下文有效地定位目标。

埃弗里特说：“即使机器人将包裹运送到从未去过的环境中，其线索也可能会与所见过的其他地方相同。” “因此，世界的布局可能有所不同，但可能有一些共同点。”

这项研究得到福特汽车公司的部分支持。

编辑’s Note: 该文章已获得以下作者的许可重新发布 麻省理工学院新闻.