机器人学会优先考虑准确性而不是速度

卡迪夫大学的一种新的深度学习模型帮助机器人选择更安全、更可靠的路径，标志着从杂技到现实世界导航的转变。

帮助机器人找到方向

由于卡迪夫大学的研究人员开发了一种新的深度学习模型，机器人可能很快就会优先考虑导航精度而不是华丽的特技。该系统称为定位感知导航，它教机器人选择使它们在空间中保持定向的路径——即使这些路线更长——从而显着提高现实场景中的性能。

帮助机器人找到方向

在使用 iGibson 环境的模拟测试中，该方法在困难条件下的成功率为 49%，而基于 SLAM 的标准导航的成功率为 33%。机器人还保持了较低的定位误差，并更好地适应了不熟悉的环境，展示了更强大的现实世界潜力。

这一进步解决了机器人技术中长期存在的一个挑战：在严格控制的实验室之外进行可靠导航。传统方法通常将两个过程（路径规划和定位）分开，当机器人对其位置的估计漂移时会产生风险。通过将两者集成到一个决策循环中，卡迪夫的模型确保运动选择不断受到定位质量的影响。

该系统利用 RGB-D 摄像头输入和 ORB-SLAM2（一种流行的视觉同步定位和映射算法）。该模型没有假设 ORB-SLAM2 总是成功，而是评估地图点的空间分布，将它们分组到角度扇区中，以衡量不同方向的视觉“安全”程度。机器人会因为选择富含视觉线索的路线而不是可能混淆地图系统的无特色走廊而获得奖励。

一项关键创新是其动态反馈机制。与依赖严格惩罚阈值的传统模型不同，卡迪夫的框架使用相对姿势误差来调整阈值，实时评估运动是改善还是恶化定位。这种适应性有助于机器人在不断变化或不可预测的环境中做出更好的选择。

虽然许多机器人演示都聚焦于翻转或侧手翻等杂技，但此类壮举很少转化为实际用例。然而，导航是现实世界部署的基础——从在拥挤的校园中导航的送货机器人到在仓库或医院工作的自主机器。该团队的下一步是从模拟转向真实世界的试验，机器人将在行人密集的空间等动态环境中导航。如果成功，定位感知导航可能会成为机器人技术的基石，将焦点从奇观转移到可靠性。