在过去的十几年里，机器人学家开发出了越来越复杂的机器人系统，可以帮助人类完成各种任务，无论是在家里还是在其他环境中。然而，为了帮助用户，这些系统应该能够有效地导航和探索周围环境，而不会与附近的其他物体发生碰撞。

虽然现在有许多导航系统和技术，但大多数机器人的移动性仍然相当有限，特别是在未知和未映射的环境中。大多数现有的导航方法有两个主要组成部分：一个用于构建机器人可作为参考的地图（例如，同步定位和地图绘制技术），以及一个为机器人生成无碰撞或最佳路径的方法（例如概率路线图或快速探索随机树）。

虽然其中一些方法取得了很好的效果，但它们往往对机器人传感器接收到的噪声高度敏感。因此，它们通常严重依赖地图，在动态或快速变化的环境中表现不佳。基于深度学习的不依赖地图的导航方法最终有助于克服这些系统的局限性。

南京航空航天大学和中国国防科技大学的研究人员最近开发了一种新的系统，可以使机器人在室内环境中更有效地导航。该系统不依赖于预先定义的地图，而是使用了一种称为生成性模仿学习的训练方法，允许机器人在周围环境中导航并实现目标。

研究人员设计的导航系统有三个关键部件。第一个模块是一个经过人类演示训练的变分生成模块，用于在机器人开始计划动作之前预测环境的变化。

第二个组件预测静态碰撞，提高机器人导航的安全性。最后，目标检测模块考虑机器人要达到的最终动作或目标，利用这些信息设计更有效的导航策略。

研究人员在论文中解释说：“这三种设计都有助于提高训练数据效率、静态避碰和导航综合性能，从而形成了一种新的目标驱动的mapless导航系统。”

未来，南京航空航天大学和国防科技大学的研究团队推出的新系统可以用于增强其他设计，用于人们家中、办公室或其他室内环境中操作的机器人的导航。此外，该系统所取得的成果可以激励其他研究人员开发类似的工具，以便在机器人中实现更有效的目标驱动导航。

到目前为止，导航系统已经在一系列真实世界的实验中进行了评估，这是一个由Willow Garage的两名工程师创建的低成本机器人平台。这些测试的结果是非常有希望的，因为该系统很容易集成到机器人中，使它能够更有效地在室内环境中导航。

参考文献：Wu et al., Towards target-driven visual navigation in indoor scenes via generative imitation learning. arXiv:2009.14509 [cs.RO]. arxiv.org/abs/2009.14509。