最近，計算機專家聚集在得克薩斯州聖安東尼奧市，最後一次測試他們的軟體程式在多大程度上使移動機器人車輛能夠獨立思考和轉向。此次活動結束了國防高階研究計劃局 (DARPA) 為期三年的“應用於地面機器人的學習”(LAGR) 計劃。該計劃向八個科學家團隊分別撥款 200 萬至 300 萬美元，用於開發能夠讓無人駕駛車輛自主學習並導航不規則越野地形的軟體。
對於一個足夠智慧的輪式機器人來說，自主操縱可能看起來並不太難。但是，雖然一些植被（如草原上的短草）很容易穿過，但茂密的灌木叢和樹幹等障礙物則不然。為了迅速到達 B 點，機器人必須能夠快速篩選各種植物，並決定哪些可以碾過或穿過，哪些是堅硬的、無法穿透的障礙物。
研究人員最初認為，視覺學習——基於光線變化對周圍環境進行基本感知——很容易在計算機系統中實現。但是，紐約大學 (N.Y.U.) 計算視覺實驗室的首席研究員埃羅·西蒙切利指出，人類認為視覺是理所當然的，而忽略了它的複雜性。“對你來說，避開你路徑上的物體是微不足道的，”他說。“什麼是視覺輸入 [對計算機而言]？ 它是一堆畫素。它是一堆數字，告訴你每個感測器部分接收到了多少光。這與對桌子上放著一個杯子的描述相差甚遠。” 他補充說，從一大組數值中提取符號定義比任何人意識到的都要困難得多。
支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道： 訂閱。購買訂閱可以幫助確保關於塑造當今世界的發現和想法的具有影響力的故事的未來。
對自然障礙物進行分類只是 DARPA 研究人員必須預測並在軟體程式中實現的眾多因素之一，以擴充套件移動機器人快速分析和穿越環境的能力。“當然，沒有人[知道]如何設計這個，”紐約大學柯朗數學研究所的計算機科學教授、該大學團隊的負責人 Yann Lecun 說。“所以 DARPA [有興趣]資助推進 [機器人] 學習和視覺科學的專案。”
Lecun 擅長設計計算機系統，可以挑出環境中的關鍵視覺特徵，是 LAGR 專案的理想人選。DARPA 提供了資金和標準測試車輛，因此 Lecun 和新澤西州摩根維爾軟體製造商 Net-Scale Technologies 的執行長 Urs Muller 可以專注於編寫軟體。他們著手推動基於視覺的導航領域向前發展，或者至少使其趕上發展速度。
華盛頓特區 國家研究委員會 2002 年的一項研究發現，在調整車輛的物理能力和路線複雜程度後，從 1990 年到 2000 年，無人地面車輛的速度增長大大落後於計算機處理的快速改進。Muller 指出，過去十年中，計算能力提高了 100 倍，記憶體容量提高了 1000 倍，但無人導航系統的發展遠遠落後於這些進步，如果沒有開發新的視覺學習方法，這種情況將繼續下去。“軟體[設計]的限制因素是人類的想象力，”他說。
在 LAGR 之前，大多數自主導航移動機器人只能掃描其周圍的區域並在短距離內規劃路線。這使得機器人很難找到到達距離其 25 英尺（7.6 米）左右的有限範圍之外的任何地方的最佳路線，從而將它們限制在一種摸索式的方法中，這種方法通常會導致浪費時間的迂迴路徑到達目的地。
這種視覺（計算）限制促使專案經理挑戰參賽程式的深度感知能力，LAGR 創始人拉里·傑克爾將其比作在濃霧或暴風雪中開車。在聖安東尼奧，透過將目標（一組全球定位系統或 GPS 點）直接放置在由 4 英尺（1.2 米）高的塑膠屏障形成的死衚衕後面來實現的。從入口幾英尺遠的起點開始，一個短距離視覺的程式會直接駛向目標——並駛向死衚衕——只會遇到障礙物，迫使毫無頭緒的機器人沿著牆壁漫無目的地尋找出路。一個具有更強深度感知的更智慧的機器人會從遠處看到死衚衕，並立即調整其路線以繞過障礙物更快地到達目標。
許多團隊未能為標準配置的 LAGR 機器人配備足夠遠的遠端視覺（這將允許完美地執行死衚衕挑戰），但 LAGR 參與者仍然利用了一個儲存有關障礙物的獲取資訊的對映系統。透過這種方式，機器人會調整並修改其行為以避免重複同樣的錯誤。經過兩次執行後，機器人通常會繪製出完整連續牆的圖片，並發現它必須繞過障礙物才能到達目標。
除了障礙物外，最終 LAGR 挑戰的一部分，稱為“寵物動物園”，允許參賽者展示其機器人演算法的特定優勢。Lecun 展示了他的程式對突然出現的障礙物的快速響應。這一特點反映了一種類似於人類反射的設計，它使用更快（但分析能力較弱）的系統，每秒六次搜尋 15 英尺（4.6 米）內的任何障礙物，以及一個較慢的程序，該程序每秒一次更詳細地處理遠端資料。“我們讓機器人穿過人群，”他說，他指的是參加該活動的觀眾和 LAGR 團隊。“人們並不害怕它，因為他們看到它駕駛得非常好，並且沒有撞到任何人。它比我們自己駕駛得更好。”
LAGR 競賽不同於更具運動性和宣傳性的 DARPA 城市挑戰賽，該挑戰賽的路線類似於城市街道，也不同於該機構的大挑戰賽，在其中，自主車輛在沙漠中競賽。這兩項比賽都允許車輛使用攝像頭、感測器、GPS、雷達和雷射器，而 LAGR 車輛基本上使用立體攝像頭、GPS 和車載計算機。
自主車輛研究的目標是在戰爭等危險情況下使無人運輸成為一種選擇，以避免將人的生命置於危險之中。多虧了像 LAGR 這樣的專案，視覺導航方面正在取得巨大進展，但最終必須開發出越來越複雜的系統來應對日益複雜的解決問題需求。
現在 LAGR 已經結束，研究人員不確定 DARPA 是否會為更多此類研究投入更多資金。“很難說[LAGR]會被認為是巨大的成功還是失敗，因為魔鬼藏在細節中，”Lecun 說，他指出，最好的系統比已經內建在機器人中的基準系統快 2.5 倍。“我認為在這個計劃中開發的一些技術具有巨大的潛力。如果人們消失在樹林裡，什麼也沒發生，那就太可惜了。”