【Jetson开发项目展示】加州大学伯克利分校的机器人利用Jetson TX2学会自己导航

许多机器人完全依赖于几何学来规划无碰撞的路径。然而，几何推理可以使自动机器人认为他们不能通过草丛或崎岖的地形来达到他们的目标。

为了帮助解决这个问题，加州大学伯克利分校的研究人员Greg Kahn、Pieter Abbeel和Sergey Levine开发了伯克利自动驾驶地面机器人(BADGR)。该系统是一个端到端的自主机器，可以使用在真实环境中收集的自监督数据进行训练，不需要任何模拟或人工监督。

与单纯的几何方法不同，BADGR从经验中学习。

“我们的方法可以学习在现实环境中导航与几何分散注意力障碍,如高草,可以很容易地结合地形的偏好,比如避免崎岖不平的地形,只使用42小时的数据,”作者们在他们的论文《 BADGR: An Autonomous Self-Supervised Learning-Based Navigation System》 （https://arxiv.org/pdf/2002.05700.pdf）中提到的。

该系统的核心是一个神经网络，它将当前摄像机传感器的观测结果和一系列未来计划的动作作为输入。根据这些数据，机器人可以预测可能出现的障碍或碰撞，或者它是否会在崎岖的路面上行驶。

研究人员说，系统内部有一台NVIDIA Jetson TX2，这是“运行深度学习应用程序的理想选择”。

Jetson TX2处理来自机载摄像机、六自由度惯性测量单元传感器、GPS和2D激光雷达传感器的信息。

BADGR背后“关键的见解是,通过自主学习在现实世界中,直接从经验BADGR可以了解导航功能,提高收集更多的数据,和总结看不见的环境,”格雷格•卡恩项目的首席研究员在《BADGR:伯克利自主驾驶地面机器人》文中表示。

尽管该团队相信，BADGR是迈向全自动、自我改进的导航系统的有希望的一步，但仍有一些问题需要解决，包括机器人如何在新环境中安全地收集数据，以及它如何应对周围的人类。

“我们相信，解决这些和其他挑战对于让机器人学习平台在现实世界中学习和行动至关重要，”Kahn说。

研究人员在badgr GitHub repo

（https://github.com/gkahn13/badgr/blob/master/README.md）上发表了他们的Anaconda、ROS、TensorFlow实现。