根據(jù)密歇根大學的研究，機器人可以通過學習房屋周圍不同物體之間的關(guān)系來學習如何更快地找到事物。在本文的一個示例中，一種新模型為機器人提供了視覺搜索策略，可以指導機器人在已經(jīng)看到冰箱的情況下尋找附近的咖啡壺。

這項工作由Chad Jenkins教授和CSE博士領(lǐng)導。學生Zeng Zeng在2020年機器人技術(shù)與自動化國際會議上被授予認知機器人技術(shù)最佳論文獎。

機器人專家的共同目標是使機器具有在現(xiàn)實環(huán)境中導航的能力，例如，我們所生活的無序，不完善的家庭。這些環(huán)境可能是混亂的，沒有兩個完全相同，并且機器人會尋找特定的環(huán)境。他們從未見過的物體需要將它們從噪音中剔除。

“能夠有效地在環(huán)境中搜索對象對于服務(wù)機器人自主地執(zhí)行任務(wù)至關(guān)重要，” Zeng說。“我們提供了一種實用的方法，使機器人能夠在復雜的環(huán)境中主動搜索目標對象。”

但是房屋并沒有完全混亂。我們圍繞不同類型的活動組織空間，通常將某些組的項目存儲或安裝在彼此附近。廚房通常裝有我們的烤箱，冰箱，微波爐和其他小型烹飪用具;臥室將有我們的梳妝臺，床和床頭柜;等等。

Zeng和Jenkins提出了一種利用這些常見空間關(guān)系的方法。他們的“ SLiM”(語義鏈接圖)模型將機器人內(nèi)存中的某些“地標對象”與其他相關(guān)對象以及有關(guān)通常如何在空間上定位的數(shù)據(jù)相關(guān)聯(lián)。他們使用SLiM來考慮目標對象和地標對象的多個功能，以便使機器人對在環(huán)境中如何布置事物有更全面的了解。

他們寫道：“當被問到可以在哪里找到目標物體時，人類能夠給出相對于其他物體的空間關(guān)系所表示的假設(shè)位置。” “機器人應該能夠?qū)ξ矬w的位置做出類似的推理。”

該模型不僅是不同對象之間通常有多近的硬編碼-從一天到另一天環(huán)顧一個房間，您肯定會看到足夠的更改以快速使此工作徒勞。相反，SLiM會考慮對象位置的不確定性。

作者在論文中對該項目進行了解釋：“以前的作品假定地標物體是靜態(tài)的，因為它們大多保留在上次觀察到的位置。” 為了克服這一限制，研究人員使用了一種因子圖(一種表示概率分布的特殊圖)來概率地建模不同對象之間的關(guān)系。

了解了可能存在的拖曳對象關(guān)系后，SLiM指導機器人探索可能包含目標或地標對象的有希望的區(qū)域。這種搜索方法基于以前的發(fā)現(xiàn)，這些發(fā)現(xiàn)表明首先定位地標(間接搜索)比簡單地尋找目標(直接搜索)要快。詹金斯(Zenkins)和曾(Zeng)使用的模型是兩者的混合體。

圖片來源：密歇根大學

在實驗中，該團隊在相同的模擬環(huán)境中測試了五個不同搜索模型的性能。一種是天真的直接搜索，不了解對象的空間關(guān)系，而其余四個則使用SLiM的空間映射結(jié)合不同的搜索策略或起始優(yōu)勢：

使用已知的先前位置直接搜索目標，但不考慮對象可能已移動的任何可能性

使用已知的先前位置直接搜索目標，該目標說明了對象可能已移動的可能性

直接搜索，無需事先知道對象的位置

混合搜索，無需事先了解對象的位置。

最后，SLiM與混合搜索相結(jié)合成功地在每個測試中找到了路線最直接，搜索時間最少的目標對象。

這項工作發(fā)表在論文“用于主動視覺對象搜索的語義鏈接圖”中。