机器人使用深度学习来规划和穿越无障碍路径

在过去的项目中，学习技术已被证明是训练机器人执行特定任务的有效手段。例如，OpenAI利用神经网络训练了Dactyl机器人进行魔方解谜，而6-DoF GraspNet算法则帮助机器人实现了对任意物体的抓取。如今，加州大学伯克利分校的研究团队引领创新，成功研发出伯克利自动驾驶地面机器人（BADGR）。

BADGR机器人是一款端到端的自主机器人，其独特之处在于采用了自我监督数据训练的方式。与传统的机器人不同，大多数传统机器人依赖于几何数据进行无碰撞路径规划，而BADGR则依靠“经验”来穿越复杂的地形。

BADGR的核心是一台Nvidia Jetson TX2处理器，它负责处理车载摄像头、六自由度惯性测量单位传感器、2D LIDAR传感器以及GPS系统的数据。特别的是，BADGR配备了一个先进的人工神经网络，该网络通过实时相机传感器的观测结果以及预期的行动反馈来预测到达目标的最佳路径。

相较于将路径遍历视为几何问题的传统方法，BADGR的自主导航系统具备显著的优势。传统技术虽然能够避开路径中的障碍物，如高草等，但BADGR却能在其中自如导航。这种能力的实现得益于其通过直接从现实世界的经验中自主学习，随着收集的数据不断增多，BADGR的导航能力也逐渐提升，并能够适应未见过的环境。

研究团队对BADGR的成功表示振奋，同时也提出了一系列引人深思的问题。机器人如何在看不见的甚至是充满挑战的环境中安全地收集数据？BADGR又将如何适应存在动态障碍，如有生命障碍（如行走的人）的环境？

相关的研究成果已经发表在arXiv上，同时研究团队还在BADGR的GitHub存储库中分享了其研究成果，供全球的研究人员参考和借鉴。无疑，BADGR的诞生标志着机器人在自主导航领域迈出了重要的一步，未来的发展前景令人充满期待。