最近，计算机专家聚集在得克萨斯州圣安东尼奥市，最后一次测试他们的软件程序在多大程度上使移动机器人车辆能够独立思考和转向。此次活动结束了国防高级研究计划局 (DARPA) 为期三年的“应用于地面机器人的学习”(LAGR) 计划。该计划向八个科学家团队分别拨款 200 万至 300 万美元，用于开发能够让无人驾驶车辆自主学习并导航不规则越野地形的软件。
对于一个足够智能的轮式机器人来说，自主操纵可能看起来并不太难。但是，虽然一些植被（如草原上的短草）很容易穿过，但茂密的灌木丛和树干等障碍物则不然。为了迅速到达 B 点，机器人必须能够快速筛选各种植物，并决定哪些可以碾过或穿过，哪些是坚硬的、无法穿透的障碍物。
研究人员最初认为，视觉学习——基于光线变化对周围环境进行基本感知——很容易在计算机系统中实现。但是，纽约大学 (N.Y.U.) 计算视觉实验室的首席研究员埃罗·西蒙切利指出，人类认为视觉是理所当然的，而忽略了它的复杂性。“对你来说，避开你路径上的物体是微不足道的，”他说。“什么是视觉输入 [对计算机而言]？ 它是一堆像素。它是一堆数字，告诉你每个传感器部分接收到了多少光。这与对桌子上放着一个杯子的描述相差甚远。” 他补充说，从一大组数值中提取符号定义比任何人意识到的都要困难得多。
支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道： 订阅。购买订阅可以帮助确保关于塑造当今世界的发现和想法的具有影响力的故事的未来。
对自然障碍物进行分类只是 DARPA 研究人员必须预测并在软件程序中实现的众多因素之一，以扩展移动机器人快速分析和穿越环境的能力。“当然，没有人[知道]如何设计这个，”纽约大学柯朗数学研究所的计算机科学教授、该大学团队的负责人 Yann Lecun 说。“所以 DARPA [有兴趣]资助推进 [机器人] 学习和视觉科学的项目。”
Lecun 擅长设计计算机系统，可以挑出环境中的关键视觉特征，是 LAGR 项目的理想人选。DARPA 提供了资金和标准测试车辆，因此 Lecun 和新泽西州摩根维尔软件制造商 Net-Scale Technologies 的首席执行官 Urs Muller 可以专注于编写软件。他们着手推动基于视觉的导航领域向前发展，或者至少使其赶上发展速度。
华盛顿特区 国家研究委员会 2002 年的一项研究发现，在调整车辆的物理能力和路线复杂程度后，从 1990 年到 2000 年，无人地面车辆的速度增长大大落后于计算机处理的快速改进。Muller 指出，过去十年中，计算能力提高了 100 倍，内存容量提高了 1000 倍，但无人导航系统的发展远远落后于这些进步，如果没有开发新的视觉学习方法，这种情况将继续下去。“软件[设计]的限制因素是人类的想象力，”他说。
在 LAGR 之前，大多数自主导航移动机器人只能扫描其周围的区域并在短距离内规划路线。这使得机器人很难找到到达距离其 25 英尺（7.6 米）左右的有限范围之外的任何地方的最佳路线，从而将它们限制在一种摸索式的方法中，这种方法通常会导致浪费时间的迂回路径到达目的地。
这种视觉（计算）限制促使项目经理挑战参赛程序的深度感知能力，LAGR 创始人拉里·杰克尔将其比作在浓雾或暴风雪中开车。在圣安东尼奥，通过将目标（一组全球定位系统或 GPS 点）直接放置在由 4 英尺（1.2 米）高的塑料屏障形成的死胡同后面来实现的。从入口几英尺远的起点开始，一个短距离视觉的程序会直接驶向目标——并驶向死胡同——只会遇到障碍物，迫使毫无头绪的机器人沿着墙壁漫无目的地寻找出路。一个具有更强深度感知的更智能的机器人会从远处看到死胡同，并立即调整其路线以绕过障碍物更快地到达目标。
许多团队未能为标准配置的 LAGR 机器人配备足够远的远程视觉（这将允许完美地执行死胡同挑战），但 LAGR 参与者仍然利用了一个存储有关障碍物的获取信息的映射系统。通过这种方式，机器人会调整并修改其行为以避免重复同样的错误。经过两次运行后，机器人通常会绘制出完整连续墙的图片，并发现它必须绕过障碍物才能到达目标。
除了障碍物外，最终 LAGR 挑战的一部分，称为“宠物动物园”，允许参赛者展示其机器人算法的特定优势。Lecun 展示了他的程序对突然出现的障碍物的快速响应。这一特点反映了一种类似于人类反射的设计，它使用更快（但分析能力较弱）的系统，每秒六次搜索 15 英尺（4.6 米）内的任何障碍物，以及一个较慢的进程，该进程每秒一次更详细地处理远程数据。“我们让机器人穿过人群，”他说，他指的是参加该活动的观众和 LAGR 团队。“人们并不害怕它，因为他们看到它驾驶得非常好，并且没有撞到任何人。它比我们自己驾驶得更好。”
LAGR 竞赛不同于更具运动性和宣传性的 DARPA 城市挑战赛，该挑战赛的路线类似于城市街道，也不同于该机构的大挑战赛，在其中，自主车辆在沙漠中竞赛。这两项比赛都允许车辆使用摄像头、传感器、GPS、雷达和激光器，而 LAGR 车辆基本上使用立体摄像头、GPS 和车载计算机。
自主车辆研究的目标是在战争等危险情况下使无人运输成为一种选择，以避免将人的生命置于危险之中。多亏了像 LAGR 这样的项目，视觉导航方面正在取得巨大进展，但最终必须开发出越来越复杂的系统来应对日益复杂的解决问题需求。
现在 LAGR 已经结束，研究人员不确定 DARPA 是否会为更多此类研究投入更多资金。“很难说[LAGR]会被认为是巨大的成功还是失败，因为魔鬼藏在细节中，”Lecun 说，他指出，最好的系统比已经内置在机器人中的基准系统快 2.5 倍。“我认为在这个计划中开发的一些技术具有巨大的潜力。如果人们消失在树林里，什么也没发生，那就太可惜了。”