如果机器人知道A点是客厅沙发，B点是冰箱，那么它从A点旅行到B点的效率会更高，即使它是在一个陌生的地方。这是卡耐基梅隆大学和Facebook人工智能研究中心(FAIR)开发的“语义”导航系统背后的常识。

 

这个名为SemExp的导航系统上个月在虚拟计算机视觉和模式识别大会上赢得了Habitat ObjectNav挑战赛(Habitat ObjectNav Challenge)， 杏耀手机客户端 ，击败了三星中国研究院(Samsung Research China)的一个团队。这是CMU车队连续第二年在年度挑战赛中获得第一名。

 

SemExp，即面向目标的语义探索，使用机器学习来训练机器人识别物体——例如，杏耀主管了解厨房桌子和茶几之间的区别——并了解在家里的什么地方可能发现这些物体。这使得系统能够战略性地思考如何搜索某些东西，华盛顿梅隆大学机器学习系的博士生德文德拉·s·查普特(Devendra S. Chaplot)说。

 

“常识告诉我们，如果你在找冰箱，你最好去厨房，”Chaplot说。相比之下，传统的机器人导航系统通过绘制显示障碍的地图来探索空间。机器人最终会到达它需要去的地方，但路径可能是迂回的。

 

以前使用机器学习来训练语义导航系统的尝试受到了阻碍，因为它们倾向于记住物体及其在特定环境中的位置。这些环境不仅复杂，而且系统常常难以将它学到的知识推广到不同的环境中。

 

Chaplot与FAIR的Dhiraj Gandhi，机器人研究所的副教授Abhinav Gupta，以及机器学习系的教授Ruslan Salakhutdinov合作，通过将SemExp变成一个模块化系统，避开了这个问题。

 

Chaplot说，该系统利用其语义洞察力来确定寻找特定物体的最佳地点。“一旦你决定了要去哪里，你就可以用传统的计划去那里。”

 

事实证明，这种模块化方法在几个方面是有效的。学习的过程可以集中在物体和房间布局之间的关系，而不是学习路线规划。语义推理决定了最有效的搜索策略。最后，经典的导航规划让机器人尽可能快地到达它需要去的地方。

 

语义导航最终将使人们与机器人的交互变得更容易，使他们能够简单地告诉机器人去某个地方取东西，杏耀注册或者给它指明方向，比如“去左边的第二个门”。