卡迪夫大學的一種新的深度學習模型幫助機器人選擇更安全、更可靠的路徑，標志著從雜技到現實世界導航的轉變。

幫助機器人找到方向

由于卡迪夫大學的研究人員開發了一種新的深度學習模型，機器人可能很快就會優先考慮導航精度而不是華麗的特技。該系統稱為定位感知導航，它教機器人選擇使它們在空間中保持定向的路徑——即使這些路線更長——從而顯著提高現實場景中的性能。

幫助機器人找到方向

在使用 iGibson 環境的模擬測試中，該方法在困難條件下的成功率為 49%，而基于 SLAM 的標準導航的成功率為 33%。機器人還保持了較低的定位誤差，并更好地適應了不熟悉的環境，展示了更強大的現實世界潛力。

這一進步解決了機器人技術中長期存在的一個挑戰：在嚴格控制的實驗室之外進行可靠導航。傳統方法通常將兩個過程（路徑規劃和定位）分開，當機器人對其位置的估計漂移時會產生風險。通過將兩者集成到一個決策循環中，卡迪夫的模型確保運動選擇不斷受到定位質量的影響。

該系統利用 RGB-D 攝像頭輸入和 ORB-SLAM2（一種流行的視覺同步定位和映射算法）。該模型沒有假設 ORB-SLAM2 總是成功，而是評估地圖點的空間分布，將它們分組到角度扇區中，以衡量不同方向的視覺“安全”程度。機器人會因為選擇富含視覺線索的路線而不是可能混淆地圖系統的無特色走廊而獲得獎勵。

一項關鍵創新是其動態反饋機制。與依賴嚴格懲罰閾值的傳統模型不同，卡迪夫的框架使用相對姿勢誤差來調整閾值，實時評估運動是改善還是惡化定位。這種適應性有助于機器人在不斷變化或不可預測的環境中做出更好的選擇。

雖然許多機器人演示都聚焦于翻轉或側手翻等雜技，但此類壯舉很少轉化為實際用例。然而，導航是現實世界部署的基礎——從在擁擠的校園中導航的送貨機器人到在倉庫或醫院工作的自主機器。該團隊的下一步是從模擬轉向真實世界的試驗，機器人將在行人密集的空間等動態環境中導航。如果成功，定位感知導航可能會成為機器人技術的基石，將焦點從奇觀轉移到可靠性。