One year in a forest: Analyzing the challenges of autonomous navigation in subarctic environments

想象一下，有一款机器人被设计用于在森林中自主驾驶，而不仅仅是在铺设好的道路上，而是在北极深处那原始、变幻莫测的荒野中穿行。为了让这些机器正常工作，它们必须时刻知道自己所处的位置。通常情况下，它们依赖于在轨道上高高运行的卫星信号，就像智能手机利用 GPS 在寻找咖啡馆一样。但在加拿大深处的亚北极森林中，天空经常被厚厚的树层遮挡，空气本身也会吞噬信号。当卫星信号失效时，机器人必须依靠自己的眼睛和传感器来进行导航，这个过程被称为里程计定位（odometry）。这有点像在闭着眼睛走过一个黑暗的房间，试图通过数步数来了解自己走了多远。问题在于，这个“房间”在变化。在夏天，森林郁郁葱葱，枝繁叶茂；在冬天，它则被数米深的积雪掩埋，树木变得光秃秃的。对于机器而言，这种季节性的转变就像是你正在尝试穿过房间时，房间里的家具突然重新排列了一样。

这正是魁北克拉瓦尔大学的一组研究人员致力于解决的挑战。他们想知道，现有的最智能的导航软件能否在亚北极针叶林中生存完整的一年。他们不仅是在计算机上进行模拟，还制造了一个真实的机器人——一辆约有小汽车大小的履带式车辆，并将其送入了荒野。他们在 64 公里的森林道路和越野地形中行驶，记录了从酷暑到凋零的秋季，再到严冬的数据。气温波动极其剧烈，从最热的日子到最冷的夜晚，温差超过了 60 摄氏度。目标是测试九种不同的导航系统，其范围从简单的轮式计数法到试图实时构建 3D 世界地图的复杂人工智能。他们想看看哪些系统能在环境发生彻底变化时继续工作，而哪些系统会直接罢工。

结果令人惊讶。研究人员发现，那些最先进的系统——即那些使用摄像头来“观察”世界或使用复杂算法来构建详细地图的系统——往往是最脆弱的。当季节变换时，这些先进系统很难识别同一个地方。看着夏天森林的摄像头看到的是绿叶和斑驳的阳光；而在冬天，同样的森林变成了一道由白雪和黑树干组成的隧道。这些在城市或温和气候下训练出的软件无法建立这种联系。它会感到困惑，迷失方向，并偏离航线。在许多情况下，这些高科技系统的表现甚至不如一种更简单的方法，即仅仅计算轮子的转动次数并使用基础传感器来猜测方向。这种被称为“本体感觉里程计”（proprioceptive odometry）的简单方法并不关心森林看起来如何。它只关心机器人自身的运动。虽然它并不完美，但事实证明它非常稳定，在积雪堆积或树木被冰覆盖时，它的故障率远低于其复杂的“亲戚们”。

研究还表明，增加系统的复杂性往往会让它更容易出错。一些先进的软件试图通过寻找以前去过的地方来修正错误，这个过程被称为“回环检测”（loop closure）。在城市里，这运作良好，因为建筑物全年看起来都一样。然而，在亚北极森林中，“地标”是不可靠的。冬天的雪堆在夏天可能看起来像灌木丛，或者一棵树可能被雪堆遮住。软件会试图匹配这些特征，从而出错，并导致位置出现巨大偏差。研究人员发现，这些复杂的系统对环境变化过于敏感，以至于经常完全失效，导致机器人停滞不前。相比之下，那些不试图构建完美地图的简单系统则能继续前进，即使路径略有偏差。

关于传感器本身的差异，有一个至关重要的发现。摄像头虽然擅长捕捉城市的细节，但受季节影响最大。在夏天，摄像头可以追踪到丰富的特征，但在冬天，雪创造了一个平坦、缺乏特征的白色表面，令软件感到困惑。机器人行驶在雪地上，摄像头看到的只有一片白茫茫，导致导航系统失去方向感。雷达（Radar）和激光雷达（Lidar）使用无线电波和激光脉冲来测量距离，它们要坚韧得多。它们可以穿透积雪和黑暗，且不依赖于树木的视觉外观。然而，即使是这些传感器，在地面形状发生变化时也会遇到困难。当机器人驶过雪堆时，车辆的角度会发生倾斜，改变了传感器观察地面方式。这种物理位移结合不断变化的景观，使得雷达系统在尝试将新的旅程与旧地图进行匹配时也显得力不从心。

研究人员还测试了机器人是否能在不同季节学习并重复一条路径，这项任务被称为“教与学”（Teach and Repeat）。他们教会了机器人一条路线，并在夏天演示后，要求它在冬天行驶相同的路径。结果褒贬不一。基于激光雷达（Lidar）的系统在许多情况下都能完成任务，很大程度上是因为它们能看到即便地面被掩埋也依然保持一致的高大树木。而雷达系统（仅观察世界的扁平切面）和摄像头系统（依赖视觉模式）失败的频率要高得多。雷达尤其容易受到机器人爬过雪堆时地面角度变化的影响，从而导致无法与几个月前学习的地图对齐。摄像头系统则根本无法找到足够的视觉线索来确定位置，尤其是在机器人行驶在积雪深厚且均匀的未清扫道路上时。

除了软件之外，亚北极环境的物理现实也带来了挑战，研究人员必须克服这些挑战才能维持实验运行。寒冷是永恒的敌人。电池在冰冻温度下掉电速度更快，而且机器人的履带虽然旨在帮助其在雪地上移动，但其转向所需的能量是夏季轮式驱动的两倍。团队还必须处理机器人陷入雪中的问题，这不仅是因为雪的深度，还因为雪的类型。11 月份新鲜、干燥的雪可以让机器人抓地并移动，但 4 月份湿重且粘稠的雪会导致履带空转而无法推动车辆前进。传感器必须保持清洁，不受积雪和冰块的影响，否则将完全停止工作。甚至连用于检查机器人是否准确的“地面真值”（ground truth）参考数据也很难获取。团队不得不使用一台特殊的起重机，将机器人抬起并在不同方向上摇晃，以校准其传感器，因为极度的寒冷和崎岖的地形使得标准的校准无法实现。

研究结论指出，尽管我们在机器人导航方面取得了巨大进步，但亚北极森林对于自主机器而言仍然是一个充满敌意的边疆。最先进的算法——那些在城市或受控实验室中表现完美的算法——尚未准备好应对野外多变的世界。它们太脆弱了，太依赖于世界看起来与被教授时的样子一致。那些依赖机器人自身运动的简单方法被证明是最可靠的，这表明对于目前的机器人来说，与其试图识别风景，不如信任自己的脚步。研究人员强调，要取得进展，该领域需要更好的方法在真实世界条件下测试这些系统，而不仅仅是在模拟器中。他们建议未来的测试应明确报告系统的失效频率，而不只是在工作时的准确度。在此之前，让机器人能够常年游走于亚北极森林、自主应对深雪和季节变换的梦想，依然遥不可及。森林在变，而机器尚未准备好跟上它的步伐。