这段人体模型挑战视频，由弗吉尼亚州迈尔亨德森堡联合基地的3d美国步兵团（旧卫队）录制。谷歌的研究人员在人体模型挑战的视频上训练了一种算法，以从单个相机源确定深度。

导航是一个筛选过程。就像昆虫的复眼识别出它可以飞行的空间是什么和不是什么一样，机器人上的传感器不仅可以导航前方的路径，还可以实时绘制出要避开的所有障碍物。今年发表的两项研究，概述了如何训练机器人在充满障碍的空间之间导航。具体来说，这些是关于在人群中移动和在森林中移动的研究。

《无人驾驶飞行器在未知杂乱环境中的自主导航》着眼于不顾树木在森林中飞行。CINESTAV、墨西哥国家理工学院研究与高级研究中心和英特尔实验室的研究人员创造了一种在陌生物体丰富的空间中快速飞行的方法。

该框架使用深度传感器的测量值来绘制距离上的视差。然后，第二种方法生成穿过该空间的路径，同时考虑到传感器看不到的限制。通过测量物体和绘制到设定目标的路径，框架的第三部分生成实际的移动计划。

除了在模拟中进行测试外，研究人员还将他们的框架应用于一个经历了一系列现实挑战的机器人。其中包括一个迷宫、一个工业仓库、一个有人在里面工作的实验室和一片森林。该地图提供了宝贵的信息，不仅可以在不依赖GPS的情况下穿过空间，还可以逃离死胡同。

作者写道：“在一般杂乱的环境中，逃离‘口袋’或走出死胡同的能力是完成导航任务的基础。”。“除了避免局部碰撞外，这还需要维护和保持探索区域的最新地图，以及处理未探索区域的策略。基于这张地图，机器人应该能够生成从当前位置到目标的运动计划。”

虽然一个特定的实验室可能挤满了愿意为机器人测试提供背景信息的科学家，但很难找到人们在训练导航算法时原地踏步的深度。

在社交媒体上传播的病毒式电影挑战《人体模特挑战》中参赛作品，让人们呆在原地，而拍摄挑战的人则在他们周围穿行。根据研究数据，人体模型挑战赛原来是一座金矿。

谷歌研究团队发表的《通过观察冰冻的人来学习移动的人的深度》使用了大量的人体模型挑战视频来训练算法，在没有特殊深度传感器的情况下从静止视频中推断深度。

作者写道：“在这篇论文中，我们采用了一种数据驱动的方法，并从一个新的数据来源中学习了人类的深度先验：数千个人们模仿人体模型的互联网视频，即在手持相机巡视现场时，以不同的自然姿势冷冻。”。“因为人是静止的，所以可以使用多视图立体重建来生成训练数据。”

研究人员声称，他们的方法源于对人体模型挑战数据集的训练，比现有的试图从单个相机推断深度的方法提供了更好、更准确的深度预测。至少与具体方法同样相关的是，从2000个上传的个人视频中挑选出一个数据集，该数据集可以训练算法来了解相机如何在空间中围绕人移动。

《麻省理工技术评论》的Karen Hao在谈到这一特定数据集时写道：“研究人员还发布了他们的数据集，以支持未来的研究，这意味着数千名参加人体模型挑战赛的人将在不知不觉中继续为计算机视觉和机器人研究的进步做出贡献。”。“虽然这对一些人来说可能是一个令人不安的惊喜，但这是人工智能研究的规则，而不是例外。”

在从大量可用的面向公众的剪辑中提取的视频集上训练导航算法的潜力是巨大的，尤其是如果它产生可以在简单的商用机器上运行的程序。深度传感器可能是军用机器人导航的理想选择，但在现有摄像头上操作的潜力使更广泛的机器人更容易在人群或树林中飞行。将上传用于短暂模因的私人数据集颠覆到机器人导航中的伦理影响需要考虑，尤其是当科技公司的工作人员已经对旨在和平、民用的研究与适应军事目的之间的关系提出质疑时。

也就是说，消耗公共领域的视频或五角大楼专门拥有的视频可以为承包商提供一种方式，他们渴望将世界上的此类研究转化为军事导航工具。记录战场信息可能很困难，但在战争游戏和军事演习的视频上训练数据集可能是一个探索不足的领域，这对军方未来几十年想要部署的自主机器人有潜在的好处。