移動機器人應該能夠有效地導航現實世界的環境，避免人類或周圍環境的其他障礙，才能完成人類設計的任務。雖然靜態對象通常很容易被機器人檢測和規避，但是避免人類可能更具挑戰性，因為這需要預測其未來的運動并相應地進行計劃。

加州大學伯克利分校的研究人員最近開發了一種新的框架，該框架可以增強辦公室，房屋或博物館等室內環境中人類的機器人導航能力。他們的模型在arXiv上預先發表的一篇論文中提出，并在稱為HumANav的真實感圖像數據集上進行了訓練。

研究人員在論文中寫道：“我們提出了一種圍繞人類導航的新穎框架，該框架將基于學習的感知與基于模型的最佳控制相結合。”

這些研究人員開發的新框架被稱為LB-WayPtNav-DH，它包含三個關鍵組件：感知，計劃和控制模塊。感知模塊基于卷積神經網絡（CNN），該神經網絡經過訓練可以使用監督學習將機器人的視覺輸入映射到航路點（即下一個所需狀態）。

然后，由CNN映射的航路點將被饋送到框架的計劃和控制模塊。這兩個模塊結合在一起，可確保機器人安全地移動到其目標位置，從而避免了周圍環境中的障礙物和人員。

該圖說明HumANav數據集包含的內容以及它如何實現包含人的室內環境的真實感渲染。圖片來源：Tolani等

研究人員在他們被稱為HumANav的數據集中包含的圖像上訓練了CNN。HumANav包含從另一個稱為SURREAL的數據集改編而成的模擬建筑物環境的逼真的渲染圖像，人類可以在該環境中四處走動。這些圖像描繪了6000個行走的，有紋理的人體網格，按人體形狀，性別和速度排列。

研究人員在論文中寫道：“所提出的框架學會僅基于單眼RGB圖像來預測和響應人們的運動，而無需明確預測未來的人類運動。”

研究人員在模擬和現實世界中的一系列實驗中評估了LB-WayPtNav-DH。在實際實驗中，他們將其應用于Turtlebot 2，Turtlebot 2是一款帶有開源軟件的低成本移動機器人。研究人員報告說，機器人導航框架可以很好地推導出看不見的建筑物，從而在模擬和現實環境中有效規避人類。

圖片來源：Varun Tolani MS

研究人員在論文中寫道：“我們的實驗表明，與單純基于學習的方法相比，將基于模型的控制與學習相結合可以帶來更好，更數據有效的導航行為。”

新框架最終可以應用于各種移動機器人，從而增強其在室內環境中的導航能力。到目前為止，事實證明，他們的方法表現出色，可以將模擬開發的策略轉移到實際環境中。

在未來的研究中，研究人員計劃在更加復雜或擁擠的環境的圖像上訓練他們的框架。此外，他們想擴大他們編輯的訓練數據集，包括一組更加多樣化的圖像。