根據密歇根大學的研究，機器人可以通過學習房屋周圍不同物體之間的關系來學習如何更快地找到事物。在本文的一個示例中，一種新模型為機器人提供了視覺搜索策略，可以指導機器人在已經看到冰箱的情況下尋找附近的咖啡壺。

這項工作由Chad Jenkins教授和CSE博士領導。學生Zeng Zeng在2020年機器人技術與自動化國際會議上被授予認知機器人技術最佳論文獎。

機器人專家的共同目標是使機器具有在現實環境中導航的能力，例如，我們所生活的無序，不完善的家庭。這些環境可能是混亂的，沒有兩個完全相同，并且機器人會尋找特定的環境。他們從未見過的物體需要將它們從噪音中剔除。

“能夠有效地在環境中搜索對象對于服務機器人自主地執行任務至關重要，” Zeng說。“我們提供了一種實用的方法，使機器人能夠在復雜的環境中主動搜索目標對象。”

但是房屋并沒有完全混亂。我們圍繞不同類型的活動組織空間，通常將某些組的項目存儲或安裝在彼此附近。廚房通常裝有我們的烤箱，冰箱，微波爐和其他小型烹飪用具;臥室將有我們的梳妝臺，床和床頭柜;等等。

Zeng和Jenkins提出了一種利用這些常見空間關系的方法。他們的“ SLiM”（語義鏈接圖）模型將機器人內存中的某些“地標對象”與其他相關對象以及有關通常如何在空間上定位的數據相關聯。他們使用SLiM來考慮目標對象和地標對象的多個功能，以便使機器人對在環境中如何布置事物有更全面的了解。

他們寫道：“當被問到可以在哪里找到目標物體時，人類能夠給出相對于其他物體的空間關系所表示的假設位置。” “機器人應該能夠對物體的位置做出類似的推理。”

該模型不僅是不同對象之間通常有多近的硬編碼-從一天到另一天環顧一個房間，您肯定會看到足夠的更改以快速使此工作徒勞。相反，SLiM會考慮對象位置的不確定性。

作者在論文中對該項目進行了解釋：“以前的作品假定地標物體是靜態的，因為它們大多保留在上次觀察到的位置。” 為了克服這一限制，研究人員使用了一種因子圖（一種表示概率分布的特殊圖）來概率地建模不同對象之間的關系。

了解了可能存在的拖曳對象關系后，SLiM指導機器人探索可能包含目標或地標對象的有希望的區域。這種搜索方法基于以前的發現，這些發現表明首先定位地標（間接搜索）比簡單地尋找目標（直接搜索）要快。詹金斯（Zenkins）和曾（Zeng）使用的模型是兩者的混合體。

圖片來源：密歇根大學

在實驗中，該團隊在相同的模擬環境中測試了五個不同搜索模型的性能。一種是天真的直接搜索，不了解對象的空間關系，而其余四個則使用SLiM的空間映射結合不同的搜索策略或起始優勢：

使用已知的先前位置直接搜索目標，但不考慮對象可能已移動的任何可能性

使用已知的先前位置直接搜索目標，該目標說明了對象可能已移動的可能性

直接搜索，無需事先知道對象的位置

混合搜索，無需事先了解對象的位置。

最后，SLiM與混合搜索相結合成功地在每個測試中找到了路線最直接，搜索時間最少的目標對象。

這項工作發表在論文“用于主動視覺對象搜索的語義鏈接圖”中。