现场人工智能如何征服非结构化自治

最大的挑战之一 机器人技术 现在是在非结构化环境中实际的自主操作。 也就是说，在你的机器人以前没有去过的地方以及事情可能不像你的机器人可能喜欢的那样熟悉的地方做有用的事情。 机器人的蓬勃发展依赖于可预测性，这对它们的成功部署地点和方式施加了一些令人厌烦的限制。

但在过去的几年里，这种情况开始发生变化，这在很大程度上要归功于 DARPA 提出的几个关键的机器人挑战。 DARPA 地下挑战 该项目从 2018 年持续到 2021 年，让移动机器人穿过一系列非结构化的地下环境。 而目前正在进行的 美国国防部高级研究计划局赛车手 该项目要求自动驾驶车辆进行长距离越野行驶。 通过这些计划开发了一些极其令人印象深刻的技术，但这些前沿研究与任何实际应用之间始终存在差距。

现在，一群参与这些挑战的人，包括来自 NASA、DARPA 的经验丰富的机器人专家， 谷歌 深心， 亚马逊和 Cruise（仅举几例）正在应用他们所学到的一切，为一家名为“移动机器人”的初创公司实现现实世界中的实际自主性 现场人工智能。

非结构化环境是事物不断变化的地方，这可能会对依赖静态地图的机器人造成严重破坏。

Field AI 中的“field”部分是 Agha 初创公司的独特之处。 运行 Field AI 软件的机器人能够处理非结构化、未绘制地图的环境，而无需依赖先前的模型、GPS 或人工干预。 显然，这种能力曾经（并且现在）引起了 NASA 和 JPL 的兴趣，它们将机器人发送到没有地图、不存在 GPS 且不可能直接人类干预的地方。

但 DARPA SubT 证明，在地球上也可以找到类似的环境。 例如，矿山、天然洞穴和城市地下对于机器人（甚至人类）来说都极具挑战性。 这些只是最极端的例子：需要在建筑物内或野外操作的机器人也面临着类似的挑战，需要了解它们在哪里、要去哪里以及如何在周围的环境中导航。

一辆自动驾驶汽车在没有事先地图、没有 GPS、也没有道路的情况下穿越数公里的沙漠。现场人工智能

尽管机器人在野外作业存在困难，但这仍然是 Field AI 希望解决的巨大机遇。 机器人已经在检查环境中证明了它们的价值，通常是在您需要确保大型工业场地没有任何问题，或者跟踪部分完工的建筑物内的施工进度的情况下。 这里有很多价值，因为搞砸的后果是昂贵的或危险的，或者两者兼而有之，但任务是重复性的，有时甚至是有风险的，并且通常不需要太多的人类洞察力或创造力。

以未知领域为基地

正如 Agha 解释的那样，Field AI 与其他提供这些服务的机器人公司的不同之处在于，他的公司希望在不首先拥有告诉机器人要去哪里的地图的情况下完成这些任务。 换句话说，没有冗长的设置过程，也没有人工监督，机器人可以适应不断变化的新环境。 事实上，这就是完全自主的意义所在：随时随地，无需人工干预。 “我们的客户不需要进行任何培训，”Agha 说道，阐述了公司的愿景。 “他们不需要精确的地图。 他们按下一个按钮，机器人就会发现环境的每个角落。” 这种能力正是 DARPA SubT 传统的用武之地。在比赛期间，DARPA 基本上说：“这是进入课程的大门。 我们不会告诉你任何关于那里有什么，甚至它有多大的信息。 只要去探索整个事情，然后把我们要求的信息带回来就可以了。” Agha 的 Team CoSTAR 在比赛期间正是这样做的，而 Field AI 正在将这种能力商业化。

“对于我们的机器人，我们的目标是让您只需部署它，无需培训时间。 然后我们就可以离开机器人了。” —Ali Agha，Field AI

这些非结构化环境（尤其是建筑环境）的另一个棘手问题是，事物在不断变化，这可能会对依赖静态地图的机器人造成严重破坏。 “我们是少数几家（如果不是唯一一家）可以将机器人留在不断变化的建筑工地上数天且监管最少的公司之一，”Agha 告诉我们。 “这些网站非常复杂——每天都有新项目、新挑战和意外事件。 地面上的建筑材料、脚手架、叉车和重型机械到处移动，一切都是你无法预测的。”

现场人工智能

现场人工智能解决这个问题的方法是强调对环境的理解而不是绘图。 Agha 表示，从本质上讲，Field AI 致力于使用传感器数据作为输入，创建物理世界的“现场基础模型”(FFM)。 您可以将 FFM 视为类似于其他人工智能公司在过去几年中创建的语言、音乐和艺术的基础模型，其中从互联网获取大量数据可以在某个域中实现某种程度的功能，而无需需要针对每种新情况进行专门培训。 因此，Field AI 的机器人可以理解 如何 在世界上移动，而不仅仅是 在哪里 移动。 “我们对人工智能的看法与主流观点截然不同，”Agha 解释道。 “我们进行了非常繁重的概率建模。” Agha 表示，Field AI 的 IP 将涉及更多技术细节，但关键是实时世界建模成为 Field AI 机器人在世界中运行的副产品，而不是该操作的先决条件。 这使得机器人快速、高效且有弹性。

开发现场基础模型，使机器人可以可靠地移动到几乎任何地方，需要大量的真实数据，Field AI 去年一直在世界各地的工业和建筑工地收集这些数据。 需要明确的是，他们收集数据是其商业运营的一部分——这些是 Field AI 已经拥有的付费客户。 “在这些工作现场，传统上可能需要数周时间才能巡查现场并绘制出需要检查的每个感兴趣目标的位置图，”Agha 解释道。 “但是对于我们的机器人，我们的目标是让您只需部署它，无需培训时间。 然后我们就可以离开机器人了。 这种程度的自主权确实解锁了许多我们的客户甚至没有考虑过的用例，因为他们认为这还需要几年的时间。” Agha 说，这些用例不仅仅涉及建筑、检查或我们已经看到自主机器人系统的其他领域。 “这些技术具有巨大的潜力。”

显然对这种程度的自主性有需求，但 Agha 表示，使 Field AI 能够利用万亿美元市场的另一个难题是，它们几乎可以在任何平台上做他们所做的事情。 从根本上来说，Field AI 是一家软件公司——他们生产与其自主软件集成的传感器有效载荷，但即使这些有效载荷也是可调节的，范围从适合自动驾驶汽车的东西到无人机可以处理的东西。

哎呀，如果你出于某种奇怪的原因决定需要一个自主人形机器人，Field AI 也可以做到。 Agha 认为，虽然这里的多功能性很重要，但更重要的是，这意味着您可以专注于更实惠的平台，并且仍然期望相同水平的自主性能，当然，在每个机器人设计的限制范围内。 Agha 表示，通过控制整个软件堆栈，将移动性与高层规划、决策和任务执行相结合，利用相对便宜的机器人的潜力将对 Field AI 的商业成功产生最大的影响。

相同的大脑，许多不同的机器人：Field AI 团队的基础模型可用于大型、小型、昂贵和较便宜的机器人。现场人工智能

Field AI 已经在扩展其能力，基于其最近与 DARPA RACER 合作的一些经验，致力于部署机器人来检查数十公里的管道并在太阳能发电场运输材料。 随着收入的增加和大量资金的投入，Field AI 甚至吸引了来自以下公司的兴趣： 比尔盖茨。 Field AI 对 RACER 的参与正在进行中，隶属于一家名为 Offroad Autonomy 的联邦项目子公司，同时其商业方面的目标是扩展到它能想到的每个平台上的“数百个”站点，包括人形机器人。