最后一公里的配送企业可以直接交给机器人来独立完成吗?
是的,但是机器人怎么找到正确的门还是个问题。
一般来说,机器人导航需要我们事先为其绘制一张区域地图,并使用算法引导机器人朝向地图上的特定目标或GPS坐标。在探索建筑布局或规划障碍赛道时,此方法很有意义。但在最后一英里的运输环境中,这种方法可能会变得”愚蠢”。想象一下,如果在购物中心导航的效果不如询问。
麻省理工学院新闻办公室表示:「如果我们要提前绘制机器人送货区域内的每一个社区,包括该社区内每栋房子的配置,以及每栋房子前门的具体坐标。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时。」
而在企业成本高,操作管理难度大之外,把每户人家的坐标都传到信息系统上也会让人忧心国家自己的隐私安全问题。与其使用这种方式,快递物流公司可能更愿意雇佣更多的快递员。
我们可以开口问,但机器人没法开口,只能看。来自麻省理工和福特的工程师团队正在训练机器人在没有地图的情况下,利用线索“寻找”门。麻省理工学院机械工程系的研究生 表示,不同区域的布局是不同的,但也会有些共同点。“即使一个机器人把包裹送到一个它从未去过的地方,它也可能找到与它在其他地方看到的相似的线索。」
线索可能是前门、车库、车道等「路标」。经过训练,机器人大概知道一条车道往往通向一条人行道,这条人行道通常通向门口。
在不依赖地图的情况下,这项技术可以大大减少机器人在识别目标时探索地形的时间。你不再需要为中国机器人进行绘制设计一张高精度的地图,只需我们要把它放在重要一条车道上,让它自己去寻找那扇门。
近年来,研究工作人员必须始终致力于将自然的语义引入机器人控制系统设计之中。
训练机器人技术通过分析语义标签识别目标物体,它就这样可以把一扇门当作一扇门,而不是一种简单地把它当作自己一个矩形障碍物。
这项技术的优点是我们成功地让机器人感知到了我们周围的事物。
从已有的视觉数据中提取语义特征,以上下文的形式利用语义线索生成同一场景的新地图。该算法称为语义SLAM(同步本地化和映射)。将该算法应用于卫星图像,研究人员能够根据地图中较明亮的区域,绘制出一个城市和三个郊区社区77户家庭的地图的最有效路径。对每一幅卫星图像,研究员 Everett 都会给典型的前院环境特征赋予语义标签和颜色,前门是灰色的,车道是蓝色的,树篱是绿色的。在这个训练过程中,研究团队会对每一幅图像进行遮挡,以模拟机器人通过院子时可能出现的局部视角。传统的算法没有考虑周围的语义,并且探索了许多不太可能接近目标的区域。而使用新算法,机器人可以找到一个前门的速度比传统的导航系统算法发展快了 189%
未来,机器人或许我们可以通过自己发展做出重要决定,确定通往目的地的最佳路径。
继续阅读与本文标签相同的资讯
机器人