最終一公里的配送能夠交給機器人來完成嗎？
能夠，但機器人要怎樣找到準確的門照舊一個題目。
一般來說，機器人導航需求我們為它提早繪制一個地區輿圖，用算法引誘機器人朝向輿圖上的特定目的或 GPS 坐標行進。這類方式正在探索一個修建結構或計劃停滯賽道時是有意義的。但正在最終一英里的托付環境中，這類門徑也許變得「很笨」。設想一下，您正在商場里用導航的結果是否就不如啟齒問。
麻省理工學院消息辦公室的 Jennifer Chu 還透露表現：「若是我們要提早繪制機器人送貨區域內的每個社區，包羅該社區內每棟屋子的設置，和每棟屋子前門的詳細坐標。那樣的繪制義務很難擴展到全部鄉村，尤其是衡宇的表面常常跟著時節的變更而變更。」
而在本錢高，操縱難度大以外，把每戶人家的坐標皆傳到體系上還會讓人憂心自身的隱私題目。與其用這個方式，快遞物流企業預計更情愿多雇傭一些快遞員。
我們能夠啟齒問，但機器人沒辦法啟齒，只能看。
來源于麻省理工和福特汽車的一組工程師而今就在鍛煉機器人不消輿圖，經由過程線索往「找」門。
麻省理工學院機器工程系的研究生 Michael Everett 就透露表現，不一樣地區的規劃是不一樣的，但還會有些共同點。「縱然一個機器人把包裹送到一個它從未到過的中央，還可能會發覺一些線索，與它正在其他中央看到的一樣。」
線索多是前門、車庫、車道等「路標」。機器人經過訓練后，極可能曉得一條車道常通向一條人行道，而這條人行道普通會通向家門口。
正在不依賴輿圖的情況下，這項手藝能夠極大地淘汰機械人正在辨認目的時探索地形的工夫。您不再需要為機械人繪制一張高精度的輿圖，只需要把它放正在一條車道上，讓它自己往尋找那扇門。
近年來，研究人員始終致力于將自然的語義引入機器人體系當中。
練習機器人經由過程語義標簽辨認物體，它就能夠把一扇門看成一扇門，而不管是簡樸地把它看成一個矩形障礙物。
這個技能的超卓的地方在于，我們成功地讓機器人感知了四周的事物。
語義由現有的視覺數據中提取了特性的算法，以上下文的情勢用語義線索生成了同場景的新地圖。這類算法稱為語義 SLAM（同步定位和映照）。
研究人員把這個算法應用到衛星圖象上，就能夠把這張包含了一個鄉村和三個郊區社區 77 戶人家的輿圖根據圖中較明的地區，繪制出最有用的途徑。對每一幅衛星圖象，研究員 Everett 皆會給典范的前院環境特點付與語義標簽和色彩，前門是灰色的，車道是藍色的，樹籬是綠色的。
正在這個練習過程中，研討團隊為每張圖象皆進行了遮罩處置懲罰，模仿機器人穿過院子時可能會泛起的部分視角。
傳統算法沒有思量四周語義，探索了良多沒有大可能靠近目標的地區。而利用新算法，機器人找到前門的速度比傳統的導航算法快了 189%
將來，機器人也許能夠本人做出決意，肯定通往終點的最好途徑。