迄今为止，机器人系统主要部署在仓库、机场、商场、办公室和其他室内环境中，它们协助人类完成基本的手动任务或回答简单的查询。然而，未来它们也可能部署在未知和未绘制地图的环境中，在这些环境中，障碍物很容易遮挡它们的传感器，从而增加碰撞的风险。
空地机器人对于户外环境导航和处理复杂任务特别有效。通过在地面和空中移动，这些机器人可以帮助人类在自然灾害后寻找幸存者、将包裹运送到偏远地区、监测自然环境以及在复杂的户外环境中完成其他任务。
香港大学的研究人员最近开发了 AGRNav，这是一种新框架，旨在增强空地机器人在容易遮挡的环境中的自主导航能力。该框架是在arXiv预印本服务器上发表的一篇论文中介绍的，被发现在模拟和现实实验中都取得了有希望的结果。
“空地机器人卓越的机动性和长续航能力引起了人们对其在复杂环境(例如森林和大型建筑)中导航的兴趣，”王俊明、孙泽凯和他们的同事在论文中写道。 “然而，这样的环境通常包含遮挡和未知区域，并且如果没有对未观察到的障碍物的准确预测，空地机器人的运动在现有的基于地图和基于学习的导航方法下常常会出现次优轨迹。”
该团队最近研究的主要目标是开发一种计算方法，以增强空地机器人在周围环境容易被物体、车辆、动物和其他障碍物遮挡的环境中的导航。他们开发的框架 AGRNav 有两个主要组件：轻量级语义场景完成网络(SCONet)和分层路径规划器。
SCONet 组件使用仅执行少量计算的深度学习方法来预测环境中障碍物的分布及其语义特征。另一方面，分层路径规划器使用 SCONet 做出的预测来规划机器人到达给定位置的最佳、节能的空中和地面路径。
研究人员写道：“我们推出了 AGRNav，这是一种新颖的框架，旨在寻找安全且节能的空地混合路径。” “AGRNav 包含一个具有自注意力功能的轻量级语义场景完成网络 (SCONet)，可通过捕获上下文信息和遮挡区域特征来实现准确的障碍物预测。该框架随后采用基于查询的方法，将预测结果低延迟更新到网格最后，基于更新后的地图，分层路径规划器高效地搜索节能路径进行导航。”
研究人员在模拟和现实环境中评估了他们的框架，并将其应用于他们开发的定制空地机器人。他们发现，它的性能优于与之比较的所有基线和最先进的机器人导航框架，为机器人确定了最佳且节能的路径。
AGRNav 的底层代码是开源的，全世界的开发者都可以在 GitHub 上访问。未来，它可以在其他空地机器人平台上进行部署和测试，可能有助于它们在实际环境中的有效部署。