环境感知、建模与监测

某研究团队致力于帮助机器人更好地在复杂多变的环境中导航，同时提升其数据评估和处理能力。该挑战在环境建模领域具有重要应用价值，团队正在开发可能对人工智能和机器人社区有益的自主机器学习方法及开源库。

“机器学习算法越来越多地用于机器人任务。许多关键自主组件都是数据驱动的，数据来自机载传感器如激光雷达、声纳和摄像头，”某大学智能系统工程系助理教授表示。“由于机器人的尺寸和有效载荷有限，通常计算能力较弱，却需要实时处理数据进行在线学习。不幸的是，许多解决方法需要大量计算成本，这对机器人来说非常具有挑战性。关键挑战既来自随机建模复杂度增加带来的计算理论问题，也来自硬件软件系统集成及算法定制化的实践难题。”

2019年某机构机器学习研究奖为该实验室提供了数千小时的云计算资源，显著推动了机器学习和自主系统的研究工作。

环境状态估计与动态建模

其中一个研究项目涉及通过从不同位置收集测量样本来绘制感兴趣的环境属性（如水质或空气污染），从而重建“分布图”（环境模型）。这种映射机制也称为环境状态估计，是一个学习过程，需要使用机器人收集的流入采样数据来学习底层环境模型的参数。

“然而环境可能是动态的，待映射的环境属性也会变化。使用机器人的缺点是样本收集需要一系列顺序采样操作（因此数据可能无法很好地代表真实情况），且整个采样过程耗时，因为样本通常分布在不同空间位置。”

为了提供对环境状态的准确估计，机器人信息收集感知必须具有持续性以跟上环境动态变化。研究重点之一是开发数据驱动方法的原则，指导机器人学习时空随机环境模型，并利用学习到的模型进行路径规划和决策制定，从而有利于后续的环境探索和建模监测。

非平稳建模与自适应学习

团队基于高斯过程变体开发了非平稳建模框架，能够准确表征时空环境。“地图不会处处相同，”研究人员解释，“有些位置变化比其他位置更快，我们需要准确建模快速和缓慢变化的部分。当底层地图是动态的（如污染扩散映射）时，挑战更大。”

此外，模型计算必须快速以支持实时决策。然而传感数据持续接收，累积数据很快会耗尽机器人的计算资源。为提高学习性能，研究人员开发了自适应学习方法，核心思想是通过稀疏近似机制逐步将新数据与由“摘要”旧数据支持的学习模型相结合。

机器人异常检测框架

在相关项目中，实验室开发了通用机器人异常检测框架。“野外机器人常遇到传感和行为异常，”研究人员举例说明，“例如自主水面船舶（ASV）的推进器可能故障，导致前进运动变成转向运动；或者ASV可能被水生植物或其他水下障碍物卡住，这些很难通过摄像头或激光雷达感知。”

弹性自适应机器人系统需要认知能力来避免异常并从故障中恢复学习。为机器人配备自检能力以检测传感和行为故障是关键步骤。异常检测的直观思想是开发某种正常性概念，并将明显偏离该概念的观测视为异常。

“该框架通过深度表示学习和图神经网络学习正常性概念。我们使用对比学习以半监督方式训练框架，利用大量未标记数据和少量可选标记数据。在框架开发过程中，云计算实例极大地加速了原型设计、训练和测试过程。我们目前正在最终确定该框架并将开源软件。”

越野自主性与不确定性建模

某机构机器学习研究奖还支持越野自主性研究。“一个重要挑战是意外机器人行为的随机建模，”研究人员解释，“在现实复杂环境中操作的机器人需要推理其与环境物理交互的长期结果，但由于现实世界的高度复杂性，准确预测未来事件通常不可能。”

因此机器人在决策时必须考虑由环境精确建模缺乏引起的认知不确定性。团队使用马尔可夫决策过程作为基础来建模不确定性下的自主决策问题。这些问题的解决方案是一个闭环策略，能在机器人与环境的概率交互模型下最大化长期目标并满足安全约束。

视觉自主与可导航空间分割

云计算资源对团队的视觉自主研究也非常有用。视觉信息为机器人自主提供丰富环境信息，团队视觉数据处理能力因深度神经网络（DNN）的突破而显著提高。

“移动机器人在未知环境中导航的关键能力是构建无碰撞的可自由移动空间，”研究人员说明。“虽然激光雷达可通过射线追踪构建2D或3D占据地图，但需要处理大规模点云数据。作为更经济的替代方案，摄像头也通过DNN进行图像多类或二类分割来检测自由空间。”

为克服完全监督学习的限制，团队开发了基于变分自编码器的新深度模型，目标是通过表示学习框架使机器人能够以无监督方式学习可导航空间分割，学习紧凑勾勒可导航空间边界的折线表示。

“我们使用GPU和公共数据集训练模型，”研究人员解释，“云计算核心的大量计算资源和内存空间使我们能够快速高效地训练模型。这至关重要，因为它允许我们快速测试和重新设计模型，并为将训练模型部署到机器人系统提供了极大便利。”

早期测试表明，该模型能够实时高精度检测可导航空间。“某机构提供的计算资源极大地加速了我们的设计过程。”