Universal Navigation Interface: Robot-Free Data for Wheeled Robot Navigation

移动机器人正越来越多地进入我们的日常生活，承担着递送包裹、检查基础设施或为需要行动辅助的人们提供移动支持的任务。为了让这些机器能在拥挤且崎岖不平的城市人行道上安全移动，它们必须像人类一样学习导航：通过观察周围环境并决定下一步去哪里。教导机器人这项技能最有效的方法是向它展示成千上万次成功的旅程示例，这一过程被称为收集导航数据。传统上，收集此类数据是一项缓慢且昂贵的苦差事，需要研究人员亲自驾驶机器人穿梭于各个街区，仔细记录每一次转弯和障碍物。这种方法限制了数据的收集量，也限制了机器人可以学习的环境多样性，因为将沉重且专门的设备移动到每个新地点通常是不切实际的。

核心挑战在于寻找一种无需使用机器人本身就能教会机器人如何移动的方法。如果人类只需走过一条路径并将其记录下来，那么收集训练这些机器所需的海量信息就会容易得多。然而，简单的步行并不是完美的替代品。人类可以轻松跨越路缘、爬楼梯或挤过狭窄的缝隙，而轮式机器人永远无法做到这些。如果机器人从一个爬楼梯的人身上学习，它可能会尝试模仿，从而导致碰撞。解决方案需要一种既能捕捉人类运动，又能从物理层面防止收集“不可能路径”的方法，确保数据反映出轮子实际能够完成的行为。

东北大学的研究人员推出了一种名为“通用导航接口”（Universal Navigation Interface, UNI）的新方法，该方法通过使用一件常见的设备——四轮助行架（rollator walker）解决了这个问题。这种设备通常用于需要稳定性的人群行走，它在数据采集过程中充当了一个物理过滤器。当人推动助行架时，他们会被自然地引导至适合轮式移动的路径。助行架无法爬楼梯，无法跨越未修整的路缘，也无法通过过窄的缝隙。这种物理约束迫使操作者选择坡道、路缘切口和宽阔通道，从而有效地使人类的演示向适合轮式机器人的路径倾斜。该系统非常简单且成本低廉，仅由助行架本身和安装在把手上的标准智能手机组成。智能手机会记录同步的视觉和空间数据流，包括彩色图像、深度信息和运动传感器，从而创造出一段丰富的旅程记录。

利用这套装置，团队在三个不同的城市收集了超过三十七公里的导航数据。他们在多样的城市环境中穿行，遇到了从湿滑路面、施工区域到拥挤人行横道以及乘坐电梯等各种情况。由于助行架在物理上阻止了操作者尝试爬楼梯或跨越未修整的路缘，因此生成的数据集自然避免了那些经常困扰其他人类采集数据的“不可能动作”。研究人员随后处理这些记录，以提取精确的度量轨迹——本质上就是设备在现实世界中移动的精确地图。他们利用智能手机传感器的深度信息将运动数据锚定在物理世界中，确保距离是准确的物理距离，而非仅仅是相对的估算。

衡量这一方法的真正测试标准在于，这些数据是否真的能教好机器人进行导航。研究人员采用了现有的导航模型（即允许机器人移动的软件大脑），并使用这种新型的助行架采集数据对其进行了微调。结果非常显著。当这些模型在未见过的路径上进行测试时，其预测正确路径的能力比之前的表现提高了近百分之二十五。这种提升在三种不同类型的导航模型中均成立，表明该方法具有鲁棒性和广泛的适用性。此外，采集到的数据还捕捉到了自然的停顿，例如在人行横道等待或礼让行人，这些在其他数据集中经常被过滤掉的细节对于安全的机器人行为至关重要。当模型被训练去识别这些静止时刻时，其预测停止时机的能力大幅提升，在这些情况下的错误率降低了百分之六十以上。

为了证明这种知识可以从简单的助行架转移到更复杂的机器上，团队将训练好的模型应用于一台电动轮椅。在一系列闭环实验中，轮椅的任务是接近如未修整路缘和阶梯之类的障碍物。使用未经过助行架数据训练的软件版本，在面对障碍物时会继续前进，无法识别屏障，若无人工干预将会发生碰撞。相比之下，配备了 UNI 训练软件的轮椅在几乎所有的测试中都能在障碍物前成功停下。它还能正确识别并顺利通过安全的路缘切口。这证明了从简单的、由人推动的助行架中学到的经验，可以直接应用于另一种更复杂的轮式平台，即便两者采集设备和目标机器人并不相同。

研究结论指出，一个简单、低成本的物理代理可以有效地取代昂贵的机器人平台来收集导航数据。通过使用助行架来约束人类演示，研究人员创建了一个既规模庞大又符合轮式机器人物理特性的数据集。这种方法无需在数据采集阶段操作机器人，使得从更多地点、在更多条件下收集多样化的导航示例成为可能，这在以前是难以实现的。虽然该方法并未解决机器人导航中的所有挑战，但它提供了一种实用且可扩展的方式，用于教导机器人在现实世界中移动，填补了人类直觉与机器能力之间的鸿沟。