盖世汽车讯 据外媒报道，由DGIST（韩国大邱庆北科学技术院）电气工程与计算机科学系Daehee Park教授领导的研究团队，与KAIST（韩国科学技术院）的研究团队合作，开发出一种学习技术。该技术使单个紧凑型AI模型能够同时预测周围行人的移动并规划机器人的安全导航路径，同时最大限度地减少两项任务中的性能下降。相关研究论文可在arXiv预印本服务器上查阅。
图片来源：arXiv
机器人在拥挤环境中导航时，必须同时预测周围行人的未来轨迹并规划一条避免碰撞的安全路径。若使用独立的AI模型分别执行这两项任务，则需要大量的计算资源和内存，这给在实际机器人上的部署带来了挑战。因此，亟需一种能够让单个紧凑型AI模型同时执行这两项任务的技术。
然而，当多种功能集成于单一模型时，它们可能会依赖重叠的模型参数，从而在训练过程中产生干扰并导致性能下降。研究团队将运动预测与路径规划之间出现的这种现象定义为“技能冲突”（Skill Conflict），并通过实验证实了其影响。
为解决这一问题，研究团队开发了“不相交参数训练”（Disjoint Parameter Training，简称 DPT）方法，使各项功能主要利用 AI 模型的不同部分进行训练。随后，团队仅选取对各项功能至关重要的部分并将其整合为单一模型；这种做法既保持了模型的紧凑性，又确保了两种功能能够同时运行且互不干扰。
利用 JRDB 和 JTA 等机器人运动领域的代表性数据集进行的性能评估显示，与现有方法相比，该方法能更准确地预测周边行人的动向，同时降低机器人路径误差及碰撞风险。将该方法应用于自动驾驶 AI 的进一步实验也取得了更优的性能表现，证实了其在机器人技术和自动驾驶等各类物理 AI 领域中的应用潜力。
Park 表示：“像机器人和自动驾驶系统这样在物理环境中移动的 AI，必须在计算资源有限的情况下同时做出多项决策。本研究针对将多种功能整合至单一紧凑型 AI 模型时可能出现的性能下降问题提出了解决方案，我们计划将该技术应用于实际机器人，以验证其在现实场景中的应用潜力。”