在不遠的將來，機器人可能會作為最后一英里的運輸工具被派往你家門口，如果他們能找到門的話，就可以把你的外賣訂單、包裹或餐盒訂購單放到你家門口。

　　機器人導航的標準方法包括預先繪制一個區域的地圖，然后使用算法引導機器人朝向地圖上的特定目標或GPS坐標。雖然這種方法對于探索特定環境（如特定建筑的布局或計劃的障礙路線）可能是有意義的，但在最后一英里交付的情況下，這種方法可能會變得笨拙。

　　例如，想象一下，公司必須事先繪制機器人傳送區域內每個鄰居的地圖，包括該鄰居內每個房子的配置以及每個房子前門的特定坐標，這個任務量會讓人崩潰。同樣，這樣的任務額很難擴展到整個城市，特別是房屋的外觀經常隨著季節的變化而變化（羨慕國外）。繪制每間房子的地圖也可能會遇到安全和隱私問題。

　　新技術

　　現在麻省理工學院的工程師已經開發出一種導航方法，不需要事先繪制一個區域。相反，他們的方法使機器人能夠利用環境中的線索規劃到目的地的路線，這可以用一般的語義術語來描述，例如“前門”或“車庫”，而不是地圖上的坐標。例如，如果一個機器人接到指令，要把包裹送到某人的前門，它可能會從馬路上開始，看到一條車道，經過訓練，它認識到這條車道有可能通向人行道，而人行道又有可能通向前門。

　　這項新技術可以大大減少機器人在識別目標之前探索一處房產的時間，而且它不依賴特定住宅的地圖。麻省理工學院機械工程系的研究生邁克爾·埃弗雷特（Michael Everett）說：“我們不想把我們需要去的每一棟建筑都繪制成地圖。”有了這項技術，我們希望在任何車道的盡頭都能放下一個機器人，讓它找到一扇門。”

　　埃弗雷特將在本周的智能機器人和系統國際會議上介紹該技術的成果。這篇論文由麻省理工學院航空航天學教授喬納森·豪斯（jonathan how）和福特汽車公司（ford motor company）的賈斯汀·米勒（justin miller）共同撰寫，是“認知機器人最佳論文”的最終入圍者。

　　“對事物的感覺”

　　近年來，研究人員致力于將自然的語義語言引入機器人系統，訓練機器人通過語義標簽識別物體，這樣他們就可以將一扇門視為一扇門，而不僅僅是一個實心的矩形障礙物。

　　埃弗雷特說：“現在我們有能力讓機器人實時感知事物的本質。”埃弗雷特、豪斯和米勒正在使用類似的語義技術作為他們的新導航方法的跳板，它利用預先存在的算法從視覺數據中提取特征以生成同一場景的新地圖，從而用語義線索或上下文進行分析。

　　在他們的案例中，研究人員使用一種算法來建立機器人移動時的環境地圖，使用每個物體的語義標簽和深度圖像這種算法稱為語義SLAM（同時定位和映射）。雖然其他語義算法使機器人能夠識別和映射環境中的對象，但它們不允許機器人在導航新環境的同時，在最有效的路徑上做出決策，以到達語義目的地，如“前門”，霍華德說：“以前，探索只是把一個機器人撲通一聲放下來，對它說‘走’，它會四處移動，雖然最終到達那里，但速度會很慢。”

　　去的代價

　　研究人員希望通過一個語義的、背景色的世界來加速機器人的路徑規劃。他們開發了一種新的“去代價估計器”，該算法將現有SLAM算法創建的語義映射轉換成第二個映射，表示任何給定位置接近目標的可能性。

　　埃弗雷特說：“這是從一個圖像到另一個圖像的轉換中得到的靈感，在這里你拍下一只貓的照片，讓它看起來像一只狗。”同樣的想法也會在這里發生，以前你把一張看起來像世界地圖的圖像，可以變成另一張看起來像世界地圖的圖像，但現在是根據地圖上不同點與最終目標的距離來著色的。”

　　這個成本地圖是彩色的，用灰度表示，把較暗的區域表示為遠離目標的位置，把較亮的區域表示為接近目標的區域。例如，在語義地圖中用黃色編碼的人行道，可能會被cost-to-go算法轉換為新地圖中較暗的區域，而車道在接近前門時會逐漸變亮，這是新地圖中最亮的區域。

　　研究人員在Bing地圖的衛星圖像上訓練了這種新算法，這些圖像包含來自一個城市和三個郊區的77棟房屋。該系統將語義映射轉換為代價映射，并按照映射中較輕的區域映射出最有效的路徑，以達到最終目標對于每個衛星圖像，埃弗雷特都為典型前院的上下文特征指定語義標簽和顏色，例如灰色表示前門，藍色表示車道，綠色表示樹籬。

　　在這個訓練過程中，研究小組還對每幅圖像應用了蒙版，以模擬機器人的相機在穿越院子時可能擁有的部分視圖。“我們方法的一部分訣竅是（給系統）提供許多部分圖像，”How解釋道。所以它必須弄清楚這些東西是如何相互關聯的，這正是這項工作得以穩健開展的部分原因。”

　　然后，研究人員在訓練數據集之外的一所全新房屋的圖像模擬中測試了他們的方法，首先使用預先存在的SLAM算法生成語義圖，然后使用其新的成本估算器生成第二張地圖和通往目標的路徑（在這種情況下為前門）。

　　對比傳統的導航算法，該集團的“去發現前車門”新技術更高效與低成本，這種算法比不考慮上下文或語義的經典導航算法快189%，以往的方法花費了過多的步驟來探索不太可能接近目標的領域。埃弗雷特說，研究結果說明了機器人是如何利用上下文來有效地定位目標，即使是在不熟悉的、未映射的環境中。

　　埃弗雷特說：“即使一個機器人正在把一個包裹送到一個它從未去過的環境中，也可能會有一些線索和它看到的其他地方一樣。”所以，即便世界的布局可能有點不同，但必然可能有一些共同點。”我們要做的只是讓機器人發現和使用這些共通點！