根据密歇根大学的研究,机器人可以通过了解房子周围不同物体之间的关联来更快地找到东西。论文中的一个例子是,一种新的模型为机器人提供了一种视觉搜索策略,如果它们已经看到冰箱,就可以教它们寻找附近的咖啡壶。

这项由Chad Jenkins教授和CSE博士生Zhen Zeng领导的研究在2020年的国际机器人与自动化会议上获得了认知机器人领域的最佳论文奖。

机器人专家的一个共同目标是赋予机器在现实环境中导航的能力——例如,我们生活在混乱、不完美的家庭中。这些设置可能会很混乱,没有两个完全相同的,而机器人在寻找它们以前从未见过的特定物体时,需要从噪声中找出它们。

Zeng说:“对于服务机器人自主执行任务来说,有效地搜索环境中的物体是至关重要的。”“我们提供了一种实用的方法,使机器人能够在复杂的环境中主动搜索目标物体。”

但家里也不是一片混乱。我们根据不同种类的活动来组织我们的空间,某些组的物品通常被存储或安装在彼此靠近的地方。厨房通常包括烤箱、冰箱、微波炉和其他小型炊具;卧室里有我们的梳妆台、床和床头柜;等等。

Zeng和Jenkins提出了一种利用这些公共空间关系的方法。他们的“超薄”(语义链接地图)模型将机器人记忆中的某些“地标性物体”与其他相关物体联系起来,以及这两个物体在空间上通常位置的数据。他们使用SLiM来考虑目标物体和地标物体的几个特征,以便让机器人对事物在环境中如何排列有更强的理解。

他们写道:“当被问及在哪里可以找到一个目标物体时,人类能够给出一个假想的位置,用相对于其他物体的空间关系来表达。”“机器人应该能够以类似的方式推断物体的位置。”

这个模型并不是简单地对不同的物体之间的距离进行硬编码——从一天到第二天环顾一个房间,你肯定会看到足够多的变化,从而使这种努力很快成为徒劳。相反,SLiM解释了物体位置的不确定性。

“以前的研究假设地标性的物体是静态的,因为它们大多保持在它们最后被观察到的地方,”作者在他们的项目论文中解释说。为了克服这一局限性,研究人员使用了一种表示概率分布的特殊图形因子图,来对不同对象之间的关系进行概率建模。

有了这些可能的对象关系,SLiM引导机器人探索可能包含目标或地标对象的有希望的区域。这种搜索方法基于先前的发现,即先定位一个地标(间接搜索)比简单地寻找目标(直接搜索)更快。Jenkins和Zeng使用的模型是两者的混合。

在实验中,该团队在相同的模拟环境中测试了五种不同搜索模型的性能。一种是单纯的直接搜索,不知道物体的空间关系,其余四种使用SLiM的空间映射,结合不同的搜索策略或初始优势:

最后,SLiM与混合搜索相结合,在每次测试中都成功地找到了路径最直接、搜索时间最短的目标对象。