在过去的十几年里，机器人专家开发了越来越复杂的机器人系统，可以帮助人们在家里和其他环境中完成各种任务。然而，为了帮助用户，这些系统应该能够有效地导航和探索周围的环境，而不会与周围的其他物体发生碰撞。

尽管有许多导航系统和技术，但大多数机器人的移动性仍然相当有限，尤其是在未知和未映射的环境中。现有的大多数导航方法都有两个主要组成部分：一个是设计用来构建地图供机器人参考使用(例如同步定位和地图技术)；另一种是为机器人生成无碰撞或最优路径图(例如，概率道路图或快速探索随机树)。

虽然这些方法中的一些已经取得了令人满意的结果，但是它们通常对机器人传感器拾取的噪声高度敏感。因此，他们通常严重依赖地图，在动态或快速变化的环境中表现不佳。基于深度学习的地图无关导航方法最终可以帮助克服这些系统的局限性。

南京航空航天大学和中国国防科技大学的研究人员最近开发了一种新系统，可以在室内环境中实现更高效的机器人导航。该系统不再依赖于预定义的地图，而是使用了一种称为生成性模仿学习的训练方法，该方法使机器人能够导航周围环境并实现其目标。

研究人员在论文中写道：“我们的方法将机器人和目标的多角度观测作为每个时间步长的输入，提供一系列动作，在操作过程中不依赖里程表或GPS，将机器人移动到目标。”。

研究人员设计的导航系统有三个关键组成部分。第一个是由人类演示训练的变体生成模块，旨在机器人开始计划其动作之前预测环境的变化。

第二部分对静态碰撞进行预测，以提高机器人导航的安全性。最后，目标检查模块利用这些信息来设计更有效的导航策略，从而考虑机器人试图实现的最终动作或目标。

研究人员在论文中解释道：“提出的三种设计都有助于提高训练数据的效率，避免静态碰撞，概括导航性能，从而产生一种新型的目标驱动的无地图导航系统。”

未来，南京航空航天大学和国防科技大学研究团队推出的新系统可用于增强其他设计用于在人们家中、办公室或其他室内环境中运行的机器人的导航。此外，该系统获得的结果可能会启发其他研究人员创建类似的工具，以实现机器人中目标驱动的更有效的导航。

到目前为止，该导航系统已经通过使用Turtlebot(由Willow Garage的两位工程师创建的低成本机器人平台)在一系列实际实验中进行了评估。这些测试的结果非常有希望，因为该系统可以很容易地集成到机器人中，并且它可以在室内环境中有效地导航。