AI技術在智能導航中的智能化模式研究

劉峰

摘要：

認知智能是機器與人類智能最為接近的高級智能，為促進導航系統認知智能的發展，首先介紹了谷歌團隊提出的人工智能空間自導航能力，然后結合智能導航機器智能的需求分類，同時結合傾斜攝影、虛擬現實等前沿技術，給出3種該人工智能技術在智能導航方面的智能化應用模式，分別為移動機器人智能導航完善、三維地圖快速生成與路徑優化，以及室內復雜環境尋路模擬。3種模式將最新人工智能技術與前沿科技熱點進行了合理融合，可為導航技術認知智能的發展提供新思路。

關鍵詞：認知智能；人工智能；智能導航；自導航

DOIDOI：10.11907/rjdk.181929

中圖分類號：TP302

文獻標識碼：A文章編號文章編號：16727800（2018）009004003

英文標題Research on Intelligent Mode of AI Technology in Intelligent Navigation

——副標題

英文作者LIU Feng

英文作者單位（Civil Aviation Telecom co.，Ltd，Beijing 100122，China）

英文摘要Abstract：Cognitive intelligence is the advanced intelligence of the machine closest to human intelligence. To promote the development of cognitive intelligence in navigation systems， we first introduce the selfnavigation capability of artificial intelligence space proposed by Google team， and then combine the requirements of intelligent navigation machine intelligence， and combine The cutting edge technology， such as tilt photography and virtual reality， gives three intelligent application modes of artificial intelligence technology in intelligent navigation， namely， intelligent navigation of mobile robots， rapid generation of 3D maps and path optimization， and simulation of indoor complex environment pathfinding. The three models integrate the latest artificial intelligence technology with the hotspot frontier technology， and propose new ideas for the cognitive intelligence development of navigation technology.

英文關鍵詞Key Words：cognitive intelligence；artificial intelligence； intelligent navigation； self navigation

0引言

美國東部時間2018年5月9日，谷歌DeepMind團隊與倫敦大學學院（ULC）在《自然》雜志上發表重磅研究成果[1]：人工智能演化出與動物大腦類似的空間自導航能力。該研究成果標志著人工智能在認知智能研究方面邁上了新臺階。智能導航是導航系統的發展趨勢，也是當前學者們研究的熱點。詹鐳等[2]針對操控人員無法實時了解四旋翼無人機飛行狀態的問題，通過設計智能導航系統，實現無人機的自主飛行；樊培毅[3]為提高地下停車場的車位利用率，提出一種基于位置指紋的WiFi室內定位方法，為地下停車場的智能化導航帶來極大便利；李泉溪等[4]采用超聲波探測方法，結合人類經驗及模糊控制理論對四輪移動機器人進行了智能導航研究。目前，智能導航僅是利用現有定位系統，或基于已有三維地圖數據，通過一定算法，給出優化的路徑選擇方法，導航智能仍停留在計算智能與感知智能上。例如，常見定位技術包括GPS定位[2，5]、藍牙定位[6]、WiFi定位[3，7]等，智能導航必須依托這些信息進行計算，在缺乏上述信號的復雜野外環境以及對抗性強的戰場環境，現有智能導航則難發揮作用。認知智能可以使智能導航系統進行理解與思考，在定位信號缺失的情況下，可通過快速識別周圍環境，自我判斷最優路徑，因此是未來智能導航的發展趨勢[8]。本文從谷歌DeepMind自導航能力出發，通過分析人工智能的分類，針對智能導航系統需求，結合近年來虛擬現實、傾斜攝影等熱門科技，探討智能導航在智能化領域的應用模式。

1谷歌AI自導航能力

1.1概述

在未知環境中根據周圍環境特點自我尋路是哺乳類動物的基本技能。然而人工智能體即便經過了強化學習訓練，其在導航能力方面依然與哺乳類動物有較大差距。研究發現，哺乳類動物的這一能力主要由大腦嗅皮層的網狀細胞支撐。網格細胞的作用是提供一個多維度周期表示，其作用類似于一個編碼空間，對于集成自運動（路徑集成）與計劃直接軌跡到目標（基于矢量的導航）具有關鍵作用。谷歌旗下的DeepMind公司與英國倫敦大學學院聯合署名在《自然》雜志發表題為“Vector-based navigation using gridlike representations in artificial agents”的文章，利用深度神經網絡技術，得到類似哺乳類動物大腦嗅皮層網狀細胞的網狀神經網絡結構，使人工智能體獲得了空間自導航能力，即在未知地域，通過智能體的自我學習獲得地域特征并找到最短路徑，當地域的地形動態發生變化時，智能體能夠再次找到捷徑。該發現標志著人工智能體在空間導航能力方面獲得了類似人類的認知智能。

1.2實現方法

研究人員首先訓練了一種循環網絡以執行路徑集成，產生一種類似網格細胞的表征，該表征與哺乳動物大腦皮層內嗅區的細胞類型非常相似。隨后，利用該表征為人工智能體在具有挑戰、不熟悉且變化多端的環境中定位目標提供一種有效的導航基礎。網絡中的網格單元為智能體帶來了基于矢量的導航能力，原理如圖1所示（彩圖見封二）。網格單元用來計算到目的地的最短路徑，其中底部圓圈表示不同尺度下的網格單元，有顏色的單元表示激活的細胞。當智能體移動時，網格編碼發生改變，不同網格單元會被激活，以反映進入不同區域。圖中右下橙色點是出發點，左上綠色點是目的地。當智能體探索房間時，網格單元被激活表示智能體位置（橙色橢圓），此時網格單元的活躍模式即為“當前網格編碼”。當智能體通過蜿蜒路徑第一次到達目的地時，網格單元會激活成綠色，表示智能體已到達目的地，目的地會存儲于目標網格編碼中，于是智能體記憶了目的地位置。當智能體再一次從起始點開始時，會從記憶中獲得目的地網格編碼，然后計算一個從起點到目的地最近路徑的向量，智能體會跟據該計算向量選擇一段最短路徑，并最終利用基于向量的導航系統到達目的地。

2導航智能需求

機器智能通常分為3類，即計算智能、感知智能與認知智能。所謂計算智能，即機器能夠計算、統計、保存與存儲的能力，目前機器在計算智能方面已超過人類。例如，我國的天河二號計算機，每秒可進行33.86千萬億次的浮點運算；感知智能是指機器聽說讀寫的能力，目前機器已在部分場合下擁有了該能力，但與人類相比還存在差距。例如，近年來圖像識別技術已在部分領域如車牌識別、人臉識別方面得到應用，但在快速變化的動態場景中，機器的感知智能仍然存在問題；認知智能強調機器會思考、理解與決策，該智能與人類智能更為接近，但實現難度很大。該智能強調機器能夠綜合分析多種信息，在無人類幫助的情況下，能夠獨立分析事物內在規律，并作出合理反應。2018年5月8日谷歌演示了“谷歌Duplex”技術——它能夠以自然的人聲打電話預約理發服務，被預約方甚至無法分辨對面是否是機器，該技術是認知智能在機器智能方面的一次突破。智能導航系統的3類機器智能現狀對比如表1所示。我國近年來在機器認知智能方面進行了大量研究，但與國外相比仍存在差距。

目前，智能導航在認知智能方面存在明顯瓶頸，認知智能技術一旦得到突破，將為智能導航帶來重大變革，導航系統對定位信息的依賴度將降低，并能夠自適應地給出導航路線。谷歌AI自導航能力即是認知智能的一種突破，機器智能體不但能夠理解周圍環境，還能思考環境中的最優路線，并且通過決策選擇一條最優路線作出行動。因此，將谷歌AI自導航能力應用于智能導航系統，將有效改善導航系統中的智能情況。

3自導航AI應用模式

谷歌AI自導航能力給機器帶來了尋路方面的認知智能，根據谷歌自導航AI特點，結合目前的最新科技，本文給出了3種谷歌AI自導航技術在智能導航方面的應用模式。

3.1移動機器人智能導航完善

目前，移動智能機器人導航主要有3種途徑，即：航位推算、無線電定位及地形匹配。航位推算是指根據初始點，通過計算機器人的運動速度、方向及時間，計算出目前位置并推算出下一步位置[9]；無線電定位是指通過地面基站或衛星，獲得相應的無線電定位信息，并根據無線電特性計算出移動物體位置。無線電導航也是生活中最常見的導航手段，如GPS導航系統、北斗導航系統等，近年來也發展出利用藍牙、WiFi、紅外進行定位的手段[10]；地形匹配主要針對飛行設備，設備系統預先存儲有運動體所要飛越地區的三維（立體）數字地形模型，在飛行過程中通過雷達設備匹配地形高程地圖進行導航[11]。除上述3種導航方式外，激光設備也被用來進行定位導航[12]。但上述導航技術對預先準備好的數據或數據通信過程依賴性強，因而在對抗性強的復雜陌生環境中，導航存在瓶頸。例如，無線電定位必須保持機器人與衛星或基站的有效通信，地形匹配必須有事先存儲好的三維地圖，航位推算需要通過通信在一定時間對位置進行校準，激光定位必須設定參考目標物體等。谷歌AI自導航能力的出現，將給機器人帶來在復雜對抗條件下的智能導航能力。機器人能夠在預先準備好的數據完全失效、與導航基站失聯的情況下，自主尋找目的地并發現最優路徑。特別是在未來作戰中，將該技術應用于智能機器人，將減少智能機器人被敵人捕獲的概率，在各種導航條件缺失的情況下，擁有保底導航尋路手段。

3.2三維地圖快速生成與路徑優化

隨著我國城市內高樓大廈數量的增多，以及地下通道、高速橋梁建設的加快，三維地圖的重要性不斷增強，對三維地圖的實時性要求也越來越高[13]。傾斜攝影技術[1416]是國際攝影

測量領域近十幾年發展起來的一項高新技術，該技術通過從1個垂直、4個傾斜、5個不同視角同步采集影像，獲取到豐富的建筑物頂面及側視的高分辨率紋理。通過無人機攜帶專用攝像頭，對目標地形進行多次紋理照片采集，并將采集到的高分辨率紋理照片在專業軟件中進行融合，從而快速生成地形三維地圖。形成的地圖類似于三維建模產生的真實地形環境，真實度高、生成速度快，整個過程不需專業人士進行手動建模。然而，建成的三維地理模型通常覆蓋范圍大，地圖不但在二維方向上信息量巨大，在垂直方向上也具有多樣性，要想完全掌握地圖信息具有一定難度。因此，利用生成的三維地圖進行最優線路規劃時，由于地圖的復雜性，傳統智能算法存在一定局限性。可以利用谷歌AI的自導航能力，通過在三維地圖上同時放置多個智能體，并給不同智能體設置不同目的地，經過智能體的獨立尋路，快速找到不同目的地之間的最優路徑。特別是在地形環境變化劇烈的情況下，如自然災害后的地形環境，可以結合上述兩種技術，迅速了解災后真實的地形地貌，并快速獲取救災最優路徑。

3.3室內復雜環境尋路模擬

目前，城市中的室內綜合體規模越來越大，室內環境復雜程度逐漸增高[17]。掌握室內綜合體中人群流動規律，將對基于WiFi與藍牙的室內導航系統研發提供重要依據，同時能夠為規劃消防疏散最優路徑、引導人群向非密集區域流動、高效整合室內綜合體中各種導航資源提供幫助[18]。谷歌AI自導航能力的出現，將為復雜綜合體中的人群流動研究提供新手段。利用三維建模技術對室內綜合體進行三維建模，并在建立好的模型中添加多個智能體，通過給智能體添加一定行動規則，結合谷歌AI的自導航能力，能夠在虛擬環境下逼真地模擬出人群流動行為。同時結合虛擬現實技術（VR），可提升用戶體驗感。虛擬現實技術是一種可以創建與體驗虛擬世界的計算機仿真系統，能夠使用戶沉浸式地體驗虛擬場景三維動態視景與實體行為[1920]。將智能體建模成逼真的三維人物模型，導航系統開發者通過使用虛擬現實頭盔等設備，以第一人稱視角真實觀看人群流動情況，能夠一定程度上降低對實際情況的理解誤差。

4結語

本文介紹了谷歌DeepMind開發自導航AI的基本情況，分析了智能導航的幾種智能需求，對自導航能力在智能導航中的應用進行分析，并給出了3種應用模式。3種模式融合了最新AI技術與前沿科技，為導航技術認知智能的發展提出了新思路。這些模式的實現將提升復雜條件下智能系統的導航能力，并為智能機器人在軍事、醫學、物流等領域的應用提供良好前景。

參考文獻參考文獻：

[1]ANDREA B， CASWELL B， BENIGNO U， et al. Vectorbased navigation using gridlike representations in artificial agents[J]. Nature，2018， 557：429433.

[2]樊培毅，陳陽，程森森，等.基于WiFi室內定位的地下停車場智能導航系統[J].物聯網技術，2016，6（4）：3134.

[3]詹鐳，賀人慶，謝陽，等.基于微型四旋翼無人機的智能導航系統[J].電子測量技術，2011，34（6）：13，29.

[4]李泉溪，鞏慶民.移動機器人智能導航系統的研究與設計[J].河南理工大學學報：自然科學版，2008（1）：9396.

[5]李涵，崇日思托.基于Android平臺的信息交互軟件設計[J].軟件導刊，2018，17（5）：4345.

[6]孫緯民，杜慶治.基于WiFi與藍牙的室內定位技術探究[J].軟件導刊，2018，17（3）：169171.

[7]漏鳴杰，秦會斌.基于多傳感器與WiFi融合的室內定位方法[J].軟件導刊，2017，16（9）：138141.

[8]胡曉峰.軍事指揮信息系統中的機器智能：現狀與趨勢[J].人民論壇·學術前沿，2016（15）：2234.

[9]李金鳳，王慶輝，劉曉梅，等.基于MEMS慣性傳感器的行人航位推算系統[J].傳感器與微系統，2014，33（12）：8587，90.

[10]崔平遠，馮軍華，朱圣英，等.基于三維地形匹配的月球軟著陸導航方法研究[J].宇航學報，2011，32（3）：470476.