移动机器人应该能够有效地在现实环境中导航，避开人类或周围的其他障碍物，以完成人类设计的任务。虽然静态物体通常很容易被机器人检测和避开，但避开人类可能更具挑战性，因为这需要预测他们未来的运动并相应地进行规划。加州大学伯克利分校的研究人员最近开发了一种新框架，可以增强办公室、房屋或博物馆等室内环境中的人机导航。他们的模型在一篇预先发表在arXiv上的论文中提出，并在名为HumANav的逼真图像数据集上进行了训练。研究人员在他们的论文中写道：“我们提出了一个围绕人类导航的新框架，该框架将基于学习的感知与基于模型的最优控制相结合。”这些研究人员开发的新框架称为LB-WayPtNav-DH，它由三个关键组件组成：感知、规划和控制模块。感知模块基于卷积神经网络(CNN)，该网络经过训练可使用监督学习将机器人的视觉输入映射到路点（即下一个所需状态）。然后，CNN映射的路点将被馈送到框架的规划和控制模块。这两个模块共同确保机器人安全地移动到目标位置，避开周围环境中的障碍物和人。此图说明了HumANav数据集包含的内容以及它如何实现包含人的室内环境的真实感渲染。图片来源：Tolani等研究人员使用其名为HumANav的数据集中包含的图像对CNN进行了训练。HumANav包含模拟建筑环境的逼真渲染图像，人类可以在其中四处走动，改编自另一个名为SURREAL的数据集。这些图像描绘了6,000个行走的、带纹理的人体网格，按体型、性别和速度排列。研究人员在论文中写道：“拟议的框架学习仅基于单眼RGB图像来预测和响应人体运动，而无需明确预测未来的人体运动。”在模拟和现实世界中的一系列实验中，研究人员对LB-WayPtNav-DH进行了评估。在实际实验中，他们将其应用于Turtlebot2，这是一款带有开源软件的低成本移动机器人。研究人员报告说，机器人导航框架可以很好地推理看不见的建筑物，从而有效地避开模拟和现实环境中的人类。图片来源：VarunTolaniMS研究人员在论文中写道：“我们的实验表明，与纯粹基于学习的方法相比，将基于模型的控制与学习相结合可以产生更好、数据效率更高的导航行为。””新框架最终可以应用于各种移动机器人，增强它们在室内环境中的导航能力。到目前为止，他们的方法已被证明在将模拟中开发的策略转移到真实环境中表现良好。在未来的研究中，研究人员计划在更复杂或拥挤环境的图像上训练他们的框架。此外，他们希望扩展他们编译的训练数据集，以包含更多样化的图像集。
