一般说来，让机器人在现实世界中自主行动是一件很困难的事情，机器人难以在复杂的非结构化环境中进行自主导航和交互。

能够处理人类世界所有复杂问题的工程系统是很难的，从非线性动力学、部分可观测性到不可预知的地形和传感器故障，机器人特别容易受到墨菲定律的影响：一切可能出错的事物最终都会出错。我们的解决方式并不是通过编码机器人以应对可能遇到的每个情景，相反，我们选择接受可能产生的各种失败，并让机器人从中学习。从经验中学习控制策略是有利的，因为与手动控制器不同的是，学习控制器可以通过更多的数据进行适应和改进。因此，尽管机器人虽然会失败，但是下一次遇到类似的情况时，已学习过的控制器便有可能修正它的错误。为了处理现实世界中任务的复杂性，当前基于学习的方法通常使用深度神经网络，这是一种强大但非数据有效的神经网络；这些基于反复摸索的学习器往往会经历多次失败。当代深度强化学习方法的样本无效性往往是现实世界中利用学习型方法的主要瓶颈之一。

机器人的“眼睛”和“脑袋”

要实现机器人自主行走，就必须让机器人拥有明亮的“双眼”和健全的“小脑”。

自主定位导航技术的重要突破口——SLAM技术

自主行走需要机器人有聪明的“小脑”。SLAM技术是自主定位导航技术的重要突破口。

SLAM是同步定位与地图构建(Simultaneous Localization And Mapping)的缩写，机器人自主定位导航技术中包括定位、地图创建与路径规划（运动控制），而SLAM本身只是完成机器人的定位和地图创建。相比较而言，SLAM更像是一个概念而不是一个算法，它本身包含许多步骤，其中的每一个步骤均可以使用不同的算法实现。

和人类绘制地图一样银行机器人，机器人描述环境、认识环境的过程主要就是依靠地图。它利用环境地图来描述其当前环境信息，并随着使用的算法与传感器差异采用不同的地图描述形式。

机器人学中地图的表示方法有四种：栅格地图、特征地图、直接表征法以及拓扑地图。在机器人技术中，SLAM的地图构建通常指的是建立与环境几何一致的地图。

在机器人实时定位时，由于通过机器人运动估计得到的机器人位置信息会有较大的误差，我们还需要使用测距单元得到的周围环境信息更正机器人的位置。

传感器

这时候银行机器人，就需要机器人有一双“慧眼”了。

毫米波传感器的工作方式：

当有人在毫米波传感器前面行走时，会在传感器中形成多个反射点，根据传感器的反馈，利用常用的机器人操作系统可视化（RVIZ）工具就可以将检测到的点绘制成3D图像。

这种点云图像只需1/4秒就能将所有点云汇聚并显示，通过收集到的点的密度就能够准确直观地反映出腿部和手臂的运动情形，并将此种运动情景归类为人体运动。

移动机器人系统通过毫米波传感器检测到的物体点信息可以精确地绘制房间内的障碍物，同时，还能利用识别的自由空间进行自主规划路径和导航。

如下图所示，配备有毫米波传感器的机器人通过扫描部分区域，并检测区域中的静止障碍物，能够准确地形成该区域中障碍物位置的3D模型图。通过这张3D模型图，移动机器人在自主导航到达特定目的地的过程中精准地避开静止的障碍物，也包括闯入机器人行驶路径的动态障碍物。