在不远的将来，机（jī）器人可能会作为最后一英里的运输（shū）工具（jù）被派往你家门口，如果他们能找（zhǎo）到门（mén）的话（huà），就可（kě）以把你（nǐ）的（de）外卖订单、包裹或餐盒订购单放（fàng）到你家门（mén）口（kǒu）。

机器人导（dǎo）航（háng）的（de）标准方（fāng）法包括预先绘制一个区域的地图，然（rán）后使（shǐ）用算法引导机器（qì）人朝向地图上的特定目标（biāo）或GPS坐标。虽然这种方法对于探索（suǒ）特定环境（如特定建筑的布（bù）局或（huò）计划的障碍路线）可能是有意义的，但在最后一（yī）英里交（jiāo）付的（de）情况下，这种方法可能（néng）会变（biàn）得笨拙。

portant;" />

例如，想（xiǎng）象（xiàng）一下，公（gōng）司（sī）必须事（shì）先绘制机器人传送区域内每个邻居的（de）地图，包括（kuò）该邻居内每个房子的（de）配置以及每（měi）个房子（zǐ）前（qián）门的特定坐标（biāo），这个任务量（liàng）会让人（rén）崩溃。同样，这样（yàng）的任务额很难扩展到整个城市，特别是房屋的外观经（jīng）常（cháng）随着季节的变化而变化（羡慕国外）。绘制每间房子的地图也可能（néng）会遇（yù）到安全和隐私问题。

新技术

现（xiàn）在（zài）麻（má）省理（lǐ）工学院的工（gōng）程（chéng）师已经开发出一种导航方法，不需（xū）要事先绘制一（yī）个区域。相反，他们的方法使机器人能（néng）够利用环境中（zhōng）的线索规划到（dào）目（mù）的地的路线，这（zhè）可以用（yòng）一般（bān）的语（yǔ）义术语（yǔ）来描述，例如“前门”或“车库”，而（ér）不（bú）是地图（tú）上的（de）坐标。例如（rú），如果一个机器人接到指令，要把包裹送到某人的前门，它（tā）可（kě）能会从马路上开始，看到（dào）一条车（chē）道，经过训练（liàn），它认识到这条车道有可能通向人行道，而人行道又有可能通向（xiàng）前门。

这项新（xīn）技术（shù）可（kě）以大大减少机器人在识别目标之前探索（suǒ）一处房产的时间（jiān），而且它不依（yī）赖特定住宅的地（dì）图。麻省理（lǐ）工（gōng）学院机（jī）械工程（chéng）系的研究生迈（mài）克（kè）尔·埃弗雷特（tè）（Michael Everett）说（shuō）：“我们不想把我们需要去的每一栋建筑（zhù）都绘（huì）制（zhì）成地图。”有了这项技术，我们希望在任何车道的尽头都能放下一个机器人，让它找到一扇门。”

埃（āi）弗雷特将在本周的智（zhì）能机器人和系统国际会议上介绍该技（jì）术的成果。这篇论文由（yóu）麻省（shěng）理（lǐ）工学院（yuàn）航空航（háng）天学教授乔纳森·豪斯（sī）（jonathan how）和福特汽车公司（ford motor company）的贾（jiǎ）斯汀·米勒（justin miller）共同（tóng）撰写，是“认知机器人最佳（jiā）论文”的最终入围（wéi）者（zhě）。

“对事物的感觉（jiào）”

近年来（lái），研究（jiū）人员致力于（yú）将自然（rán）的语义语言引（yǐn）入机器人系统，训（xùn）练机（jī）器人通（tōng）过语义（yì）标签（qiān）识别物体，这样他们就可（kě）以将（jiāng）一扇门视（shì）为一扇门，而（ér）不仅仅（jǐn）是一（yī）个实心的矩形障碍物。

埃弗雷特说：“现在我们有（yǒu）能力（lì）让机器人实（shí）时感知事物的（de）本质。”埃弗（fú）雷特、豪（háo）斯和（hé）米（mǐ）勒正在（zài）使用类似的（de）语义技术作为他们的新导航方（fāng）法的跳（tiào）板，它利用预先存在的算法从（cóng）视（shì）觉数据中（zhōng）提取特征以生成同一场景（jǐng）的新地图，从而（ér）用语义线索或上下文进（jìn）行分析。

在他们（men）的案例（lì）中，研究人（rén）员使用一种算法来（lái）建立机器人移动时的环境地图，使用每（měi）个物体的语义标签和深度图（tú）像这（zhè）种（zhǒng）算法称为语义SLAM（同时定位和映射）。虽然其他语义算（suàn）法使机器人能够识别和映射环境中的对象，但它（tā）们不允许（xǔ）机器人在导航新环境的同时（shí），在最有效（xiào）的路径上做（zuò）出决策，以到达语义（yì）目的地，如“前门”，霍（huò）华德说：“以（yǐ）前，探索（suǒ）只是把（bǎ）一个机（jī）器（qì）人扑通一声放下来（lái），对它说（shuō）‘走’，它（tā）会四处移动（dòng），虽然（rán）最终到达那里（lǐ），但（dàn）速度会很慢。”

去的代价

研究人员希望通过一（yī）个语义的、背景色的（de）世界来加速机器人的路径（jìng）规划。他们（men）开发了一种新（xīn）的“去代价估计器”，该算法将现有SLAM算（suàn）法创建的语义映射（shè）转换成（chéng）第（dì）二个映射，表示（shì）任何给定位置（zhì）接（jiē）近（jìn）目标（biāo）的可能性。

埃弗（fú）雷特说：“这是从一个图像到另一个图像的转换（huàn）中得到（dào）的灵感（gǎn），在（zài）这里你拍下（xià）一只猫的照片，让它看起来像一只（zhī）狗（gǒu）。”同样的想法也（yě）会在这里发生，以前你把一（yī）张看起来像世（shì）界（jiè）地（dì）图的图（tú）像，可以变成另一张看起来（lái）像世界（jiè）地图的图像，但现在是根据地（dì）图上不同点与（yǔ）最终目标的距离来着（zhe）色的。”

这个（gè）成本地图是彩色的，用灰度表（biǎo）示，把较暗的（de）区域表（biǎo）示为远离目标的位置，把（bǎ）较亮的（de）区域表示为接近（jìn）目标的区（qū）域。例如（rú），在（zài）语义地图（tú）中用黄色编码的人行道（dào），可（kě）能会被（bèi）cost-to-go算法转换为（wéi）新地图中（zhōng）较暗的（de）区域，而车（chē）道在接近前门时会逐渐变亮，这（zhè）是新地图中（zhōng）最亮的区域。

研究人员在Bing地图的卫（wèi）星图像上训练了这种新算法，这些图像包含来自（zì）一个城市（shì）和三个郊区（qū）的77栋（dòng）房屋。该系统将语义（yì）映射转（zhuǎn）换为代价映射，并（bìng）按照映射中较轻的区域映射出最有（yǒu）效的路径，以（yǐ）达到（dào）最终目标对（duì）于每个卫星图像，埃弗（fú）雷特都为典型（xíng）前院的上下文特（tè）征指定（dìng）语义标签和（hé）颜色，例如（rú）灰色表（biǎo）示前门，蓝色表示车道，绿色表示树篱。

在这个训练过程中，研究小组还（hái）对每幅（fú）图（tú）像应用了蒙版，以（yǐ）模拟机器（qì）人的相机（jī）在穿越院子时（shí）可能（néng）拥有的部（bù）分视图（tú）。“我（wǒ）们方法（fǎ）的一（yī）部分诀窍是（给系统）提供许多部分图（tú）像，”How解（jiě）释（shì）道。所（suǒ）以它必须弄清楚这些东西是如何相互关联的，这（zhè）正是这项（xiàng）工作得以稳健开展的部分原（yuán）因。”

然后，研究人（rén）员在训练（liàn）数据集之外的一（yī）所全（quán）新房屋（wū）的（de）图像模拟中（zhōng）测试（shì）了他们的方（fāng）法（fǎ），首（shǒu）先使用预（yù）先存在（zài）的SLAM算（suàn）法生成（chéng）语义图，然后（hòu）使用其新的成本估算（suàn）器生成第二（èr）张地图（tú）和（hé）通往目标（biāo）的路径（在这种情况（kuàng）下为前门）。

对比传统的导航算（suàn）法，该集团的“去发现（xiàn）前（qián）车门（mén）”新技术更高效与低成本，这种算法（fǎ）比不考虑（lǜ）上下文或语义的经典导航（háng）算法快189%，以往的（de）方法花费了过多（duō）的（de）步骤来探索不太可能接（jiē）近目（mù）标的领域。埃弗雷特说（shuō），研究结果（guǒ）说明了机器人是（shì）如何利用（yòng）上下文来有效地定位目标，即使是在不熟悉的、未映射的环境中。

埃弗（fú）雷特说：“即（jí）使一个机器人正在把一个包裹（guǒ）送到（dào）一个（gè）它从未去过的环境中（zhōng），也可能会有一些（xiē）线索和（hé）它看（kàn）到的其他地方一样。”所以，即便世（shì）界（jiè）的布局可能有（yǒu）点不同，但必然（rán）可能有一些共同点。”我（wǒ）们要（yào）做的只是让机器人发（fā）现和使用这些共通点！