面向服务机器人的寻物游戏

创造能在有人环境中执行通用服务任务的机器人，一直是人工智能与机器人研究的长期重大挑战。一项对各类任务都极具价值的相关技能，是按请求定位并取回物体的能力。本文将此技能建模为寻物游戏（SH），我们将其表述为 NP 难随机采购旅行问题的一个变体。该问题中，目标是在给定物体可能出现位置的概率分布下，尽快找到一组物体。我们研究了多种 SH 问题求解算法在仿真和真实移动机器人上的性能。我们使用强化学习（RL）训练智能体规划最小代价路径，并展示该 RL 智能体可超越一系列启发式算法，取得近最优性能。为激励该问题研究，我们发布了一个公开可用的软件栈及相关网站，用户可上传寻物任务，机器人能下载、执行并从中学习，以持续改进未来任务中的表现。