自主送货机器人导航与感知技术解析

自主送货机器人的技术突破

某中心的送货机器人正在美国四个地区缓慢运行：华盛顿州斯诺霍米什县、加利福尼亚州尔湾市、田纳西州富兰克林市和佐治亚州亚特兰大市。这款电动、冷藏箱大小的送货系统被设计用于在人行道上自主行驶，并在送货过程中避开宠物、行人以及遇到的各种障碍物。

要部署完全自主的送货机器人车队，必须应对变化的天气条件、地形变化、意外障碍等几乎无限范围的变量。

保罗·雷弗迪是某中心的应用科学家，他于2020年7月加入该项目。传统方法（如依赖GPS信号）不足以指导送货机器人，因为它们无法提供足够的细节，也无法始终保持可用。

“送货机器人需要做出很多决策，”雷弗迪说，“有些是较高层次的，比如决定是否穿过街道。还有一些非常具体的决策，比如‘我能否从树篱和垃圾桶之间的空隙通过？’”

导航系统通过创建详细的地图来确保机器人拥有规划和应对环境所需的信息。“人行道上可能有颠簸，或者正在下雨，使得人行道看起来不同，”雷弗迪说，“也可能是更高层次的决策：‘好吧，人行道被堵住了。我是尝试进入街道，还是试图绕过障碍物？’”

哈米德·皮尔萨瓦什是某中心的访问科学家，他在计算机视觉和机器学习方面的工作帮助送货机器人“看到”并理解周围环境。

“送货机器人需要理解什么是可行驶区域，或者当遇到红绿灯时意味着什么，”皮尔萨瓦什说，“目标与自动驾驶汽车类似，主要区别在于送货机器人主要在人行道上缓慢行驶。”

在某些方面，这使得送货机器人更容易理解其环境。但在其他方面，穿越人行道的任务更加困难。“这是一个与街道不同的环境，”皮尔萨瓦什说，“我们可能会遇到各种障碍，从草坪和园艺工具、滑板坡道，到户外家具和玩具。”

使送货机器人成为可能的是过去十年计算机视觉和机器学习的巨大进步。“这个领域每天都在进步，”皮尔萨瓦什说，“借助现在可用的大规模数据集和强大计算能力，我们能够构建一个以更复杂方式理解世界的机器人。”

本杰明·昆斯伯格称之为机器人的“数字沙盒”。“我们可以为送货机器人提供一个极其详细的世界，精确到单根草叶，”他说。

昆斯伯格是某中心的应用科学家，于2019年加入送货机器人团队。创建数字世界是一项具有挑战性的任务。它必须足够准确，让送货机器人真正感知世界，即使是日光的小变化也会产生影响。

“在某些情况下，仿真包括类似于视频游戏的数字场景。例如，工程师可以在人行道上添加十月的落叶，这样送货机器人就能了解到与四月相比事物已经发生变化。在其他情况下，送货机器人团队使用实际摄影进行训练，团队成员随后勾勒并识别关键特征来指导机器人的决策。”

一旦设计了这个世界，就需要训练送货机器人理解它。这部分是通过使用神经网络实现的——这些计算机系统通过部分模仿人脑的过程来识别数据之间的关系，这是十年前无法实现的方法。

送货机器人项目仍处于早期阶段。团队对客户的积极反馈和现场测试结果感到兴奋，预计将应用其学习成果继续推进这一新型送货系统的发展。