人類的高級培訓方法以改善機器人的導航

為了使機器人在更廣泛的真實設置中成功引入機器人，它們必須能夠在快速變化的環境中安全可靠地導航。儘管在過去的幾十年中，機器人和計算機科學家提出了廣泛的機器人導航的計算方法，但發現其中許多人在動態，混亂或以狹窄的路徑為特徵的環境中工作較差。

Khuchuu Institute的研究人員是中國鄭大學的一部分，最近根據深層的神經網絡和經典優化方法提出了一種新的機器人導航方法。他們提出的方法在文章中提出 出版 v 科學機器人技術專為人工繁殖人的能力而設計。

該文章的第一作者Chichao Khan說：“我們的動機很簡單：開發一個軌跡規劃師，可以在任意困難的條件下可靠地工作，同時尊重機器人的非教育限制。”

“我們從人類的推理中汲取了靈感 – 特別是因為人們通常可以乍一看，即使解決方案並不總是最佳或完全安全的。

儘管在各種任務中發現人工神經網絡表現良好，但它們的預測通常很難解釋。此外，在各種場景中，許多基於這些網絡的方法不是很好。

為了克服這些限制，可汗和他的同事將深層神經網絡與最近開發的時空軌跡優化器結合在一起。這最終使他們還可以澄清神經網絡產生的路徑和路徑。

汗說：“我們的分層規劃結構旨在解決兩個關鍵目標。” “首先，使用基於培訓的方法來計劃道路的初始階段，我們努力“立即”重現人類的能力，以了解通過環境的可能方式。這確保了計劃時間穩定且可預測的。”

提議的團隊的第二個目標是確保神經網絡生成的初始路徑被轉換為可以由真實機器人執行的平滑運動。為此，該結構基於專門設計用於改善軌跡和路徑的數值優化方法。

汗解釋說：“主要思想是模仿計劃一個過去經驗在計劃道路中起著決定性作用的人的過程。” “以同樣的方式，我們的算法在大量專家演示的數據中進行了研究，將這些先前知識轉移到網絡上。

“關鍵組成部分之一是，神經元規劃師直接在與環境的同一圖像領域中工作，這會顯著加速培訓並提高收斂生產率。直觀地，如果您要求一個人進入地圖上，這很簡單，這很簡單，這很簡單；要求某人提供準確的坐標。”

例如，隨著時間的流逝，這種方法比以前基於神經網絡實現的方法更穩定得多。在初始測試中，無論該環境的複雜性如何，機器人的輸出路徑都是在固定且可預測的。

這是一個重要的優勢，因為許多傳統的規劃方法應該執行廣泛的在線帖子，這可能會延遲確定動態或複雜媒體的路徑的過程，最終減慢機器人的導航。

Khan說：“我們利用其優勢有效地將經典的數值優化與深層神經網絡相結合，減輕了它們的弱點。” “深網非常有效，但不能保證完整，而經典方法則完成，但是它們的性能往往取決於初始化。使用兩者，我們的系統在困難條件下達到了穩定且高質量的時空軌跡。”

例如，該研究人員提出的方法可能很快在使用各種機器人平台的更多實驗中進行了測試。將來，它可用於提高機器人處理各種複雜任務的能力，包括搜索操作和救援操作，物流任務和研究動態環境。

Khan補充說：“向前邁進，我們計劃通過進一步提高建模的保真度並提高感知的穩定性來解決傳播問題，” “我們的目標是，機器人可以在各種和困難的實際條件下安全，可靠，可預測的工作，最終將其無縫整合到人類的日常生活和工業應用中。”

©2025科學X網絡