为什么Rat-Brained机器人擅长导航不熟悉的地形？

01

如果你将一只普通的褐色小老鼠放在实验室迷宫或者地铁隧道中，它会马上开始探索周围的环境。就像人一样，它会想尽办法来迅速熟悉周围的环境。老鼠通过嗅觉、视觉和触觉来识别周围的墙壁、边角和障碍物。经过一会儿的征战，它“满载而归”地回到了原始的出发点，信心满满地告诉自己，这个地方我已经搞熟喽。

机器人学家一直都幻想能够将老鼠的创造力，比如导航技能运用到机器人上。要使机器人能在环境中工作，它必须能够找到周围有哪些路线可以达到目的地。当然有一些地方已经学会了这个功能，比如家里、办公室、仓库、医院旅馆和特定场合的自动驾驶。尽管目前已经取得了一些成就，但这些机器人平台仍然无法在点挑战的环境中稳定工作。比如自动驾驶汽车，它装备了许多复杂的传感器以及关于前方道路的具体地图，但是在大雨天，下雪天甚至是夜晚，仍然需要人类驾驶员的控制。

而老鼠则是灵活的导航专家，当一只老鼠在探索一个不熟悉的地形时，其大脑里特定的神经被激活，对路标和边界做出响应。其他神经元也在特定的距离下被激活，在大脑中创建一种空间表示。神经元运动就像一个内在的指南针一样，记录老鼠头部转动的方向。神经系统将这些信息综合在一起，使得老鼠能记得自己去过哪里和怎样到达那里。无论何时它按照相同的路线行走，相应的神经元都会被增强，这使得小鼠的导航系统更加鲁棒。

So，为什么机器人不能像老鼠一样呢？

答案是，it can。在澳大利亚布里斯班的Queensland University of Technology (QUT)，Michael Milford和他的助手花费十四年的时间来模拟老鼠大脑，为机器人实现导航功能。他们希望利用这种生物启发的方法，无需装备先进且昂贵的传感器以及特别耗费计算资源的算法，就可以能切实地帮助机器人在动态环境中导航。

该系统的早期版本让包裹运输机器人在实验室内自主运动两周时间。在此期间，它完成了超过1100次模拟运输，走过了共计40公里的路程，并且自动回程充电23次。另外一个版本是仅仅利用MacBook电脑上的相机采集图像就构建出了整个布里斯班郊区的地图。如今，米尔福斯的团队正在为重型设备制造商Caterpillar的导航系统移植其rat-brain算法，用于一只地下采矿车队。

02

Milford现年在QUT科学与工程学院任院长，他从2003年开始研究基于大脑的导航算法，那时他正读博士，从师机器人专家Gordon Wyeth。当时对于机器人技术的一个较大的推动是“被绑架的机器人”问题：如果你将一个机器人移动到另外一个地方，它是否能指出自己在哪里？解决这个问题的其中一个方法就是SLAM，也就是同时定位与地图构建。当运行SLAM算法时，机器人可以探索陌生的地形，构建环境地图，同时定位自己在地图中的位置。

Wyeth长期对基于大脑启发式的计算十分感兴趣，他从80年代后期开始研究神经 络。因此他和Milford决定从老鼠的神经 络中获取灵感来设计一个SLAM系统。他们将这个SLAM系统称为RatSLAM。

大多数SLAM旨在提供非常详细的静态地图，Milford和Wyeth对如何在不断变化的环境中进行导航更感兴趣。他们的目标不是用昂贵的激光雷达和大功率计算机制造地图，他们希望他们的系统能够像动物的一样有空间感。

“老鼠不建立地图，他们有其他方法记住他们在哪里。”这些方法包括称为位置细胞和头部转向细胞的神经元，分别让老鼠识别地标并识别其方向。 像其他神经元一样，这些细胞相互关联，并通过调整其刺激模式来响应不同的刺激而工作。 为了在软件中模仿这种结构和行为，Milford采用了一种称为attractor network的人工神经 络。 这些神经 络由数以百计的互连节点组成。 计算神经科学家使用attractor networks研究与记忆和运动行为相关的神经元。 Milford和Wyeth想用它们来驱动RatSLAM。

他们花了几个月的时间在软件实现上，然后将软件加载到Pioneer robot中，让机器人在一个2×2米的竞技场中运动来测试算法性能，但这次实验却宣告失败。

Milford和Wyeth意识到RatSLAM在做出决策时没有足够的信息来减少误差。在某些情况下，机器人会识别一个地标，并且能够优化其位置，但是更多时候数据太模糊，对机器人的位置优化没有作用。不久之后，累计误差大于2米——此时机器人认为是在竞技场之外。

即他们的rat-brain模型太粗糙了，需要更好的神经 络才能抽象出关于世界的更多信息。

所以他们设计了一种新型的神经元，称之为pose cell。pose cell并不只是告诉机器人它的位置或方向，而是同时做到了这两个功能。现在，当机器人识别出以前看过的地标时，它可以更准确地将这些信息编码在地图上并同时进行误差检查。

Milford再次将机器人放在2×2米的竞技场内进行测试优化后的算法。“突然，我们的机器人可以导航得很好，”他回忆说。（更多信息参考AI Designers Find Inspiration in Rat Brains.）

有意思的是，在Milford等人设计出这些pose cell不久之后，挪威的神经科学家宣布发现了grid cell。神经元活动形成规则几何图案，并告诉动物其在一定区域内的相对位置。pose cell并不完全是grid cell，但是却与其具有相似的特征。

老鼠在探索一个不熟悉的竞技场时，被称为grid cell的神经元显示出一个规则的六边形图案。 RatSLAM算法模拟动物的导航神经元。运行RatSLAM的机器人，在新的空间移动时，算法的attractor network中的互连节点以grid cell的形式作出反应，形成了一个类似规则的图案。

Milford将RatSLAM软件加载到MacBook中，并将其放置在他的车顶上。为了获得关于环境的数据流，他使用笔记本电脑的相机，设置每秒钟几次拍摄汽车前方的照片。他没有将编码器安装到车轮上，也没有使用惯性测量系统或GPS，而是使用简单的图像处理技术。他的SLAM算法通过跟踪和比较来自MacBook的照片序列上的像素，可以计算车辆的速度以及方向的变化。

Milford开车约2小时穿过布里斯班郊区圣卢西亚的街道，覆盖范围约66公里。得到的不是精确的比例尺地图，而是准确地代表道路的拓扑结构，并可以准确地确定汽车在任何给定时刻的位置。

卡内基梅隆大学的机器人专家David Wettergreen表示：“它立即引起了人们的关注，被广泛的讨论，因为它与其他机器人目前正在做的事情很不一样。事实上，它仍然被认为是大脑启发的机器人技术中最显着的例子之一。

03

Caterpillar公司生产的地下挖掘装载机可能很快能从Michael Milford团队开发的rat-brain-inspired的地图和导航系统中获益。从地下矿井中拍摄的照片展现了在黑暗单调的环境中进行操作的挑战。

地下矿山是地球上最恶劣的人造地方之一。它们又冷又黑又布满灰尘，而且有可能突然倒塌或爆炸，因此也非常危险。对于在这样一个极端环境下作业的公司来说，提高他们跟踪机器和井下人员的能力更是至关重要的。

在露天矿，只需简单使用高精度差分GPS，但这显然不适用于地面。此外，现有的室内导航系统，如激光测绘往往价格昂贵，需要的基础设施在恶劣条件下也难以部署和维护。

矿山运营商需要追踪他们的车辆的一个重要原因是要计划他们如何挖掘。每一天都从一个“挖掘计划”开始，计划规定了在不同的隧道中开采的矿石数量。在一天结束后，操作员将挖掘计划与实际开采数量进行比较，然后制定出第二天的挖掘计划。“如果采集到的信息不准确，你的计划就不会被执行得好。你很可能一开始挖掘的是泥土而不是矿石，或者整个隧道都可能塌陷，”史米斯解释说。“所以，知道你完成了什么这真的很重要。”

传统的方法是让矿工记下他一整天的行动，但这意味着他必须时不时地停下手头的工作来填写 告，而且他经常要猜测实际发生了什么。QUT导航系统将更为精确地测量位置以及行驶距离，并且在任何给定的时间都能反馈车辆的位置所在。第一辆车将先驶入矿井，用基于rat-brain-inspired的导航算法对环境进行建图，同时使用低成本的720p的摄像头收集各隧道的图像。相机的唯一不寻常之处在于它极端坚固，据史米斯说，甚至远远超出了军事规格。

随后进入矿井的车辆将使用这些结果来对自身进行定位，将它们自己相机采集到的与之前收集的图像进行比较。Milford提到，虽然车辆不能完全自主，但这种能力最终可以通过摄像头数据和其他IMU传感器获得的数据相结合来实现。这将增加卡车定位的精确度，最终让它们自动驾驶。

04

Brain-inspired导航系统会成为主流吗? 举个例子，许多自动驾驶汽车的开发人员都在关注，在他们的车辆行驶的道路上构建详细的地图。车辆利用相机、激光雷达、GPS和其他传感器在地图上进行定位，而不是它们自己完成构建。

自动驾驶车辆需要验证它们能够在大雨天、雪天、雾天和黑暗等条件下行驶，同时它们还需很好的处理数据的不确定性。举个例子来说，含有眩光的图像可能促使去年的特斯拉自动驾驶事故。一些公司已经在测试基于机器学习的导航系统，这些系统依赖于人工神经 络。更多的brain-inspired方法，如RatSLAM，可以和这些基于神经 络的系统进行互补，在困难或以外的情况下提高整体导航系统的性能。

人们可以从一个想法开始，比如“在城市的南边，有一个很好的墨西哥餐馆”，到达那个区域后，人们就能找到餐馆可能在哪里的线索。而对于这类任务，即使是最有能力的自动驾驶汽车也不知道该如何处理，但brain-inspired系统可能会。

然而，一些机器人专家怀疑这种非常规的SLAM方法是否会得到很好的回 。像激光雷达、IMU、GPS这样的传感器越来越便宜，传统的SLAM算法可通过将多个传感器的数据结合起来产生越来越精确的结果。Fetch Robotics公司首席执行官Melonee Wise认为：”SLAM真的是一个传感器融合问题，而且在使用成本较低的传感器进行SLAM效果越来越好。有的人试图用一个传感器来解决SLAM，例如单目摄像头，但是在今天低成本传感器的世界中并不是真的有必要。”

Stratton提到，大脑不会像那样工作，记忆和处理都发生在神经元中。对大脑活动的一个更好的理解，不仅与对刺激的反应有关，也与它更深层次的内部过程有关——记忆检索、问题解决、白日梦等，而这些是过去人工智能尝试中缺失的东西。

你的观点呢？

【完】