最大的挑战之一是机器人技术现在是非结构化环境中实用的自主操作。也就是说，在你的机器人以前没有去过的地方，在你的机器人可能不那么熟悉的地方做有用的事情。机器人依靠可预测性发展壮大，这对机器人在何处以及如何成功部署提出了一些令人厌烦的限制。
但在过去几年里，这已经开始改变，这在很大程度上要归功于DARPA提出的几个关键机器人挑战。DARPA地下挑战从2018年到2021年，移动机器人经历了一系列非结构化的地下环境。目前正在进行的DARPA赛车该程序任务是使用自动驾驶车辆进行长距离越野导航。通过这些项目，已经开发出了一些令人印象深刻的技术，但这项前沿研究与任何实际应用之间总是存在差距。
现在，参与这些挑战的一群人，包括来自NASA、DARPA、，谷歌深思熟虑，亚马逊克鲁斯（仅举几个地方）正在一家名为现场AI.
Field AI由Ali Agha共同创立，他之前是NASA喷气推进实验室空中机动小组和喷气推进实验室感知系统小组的组长。在JPL期间，Agha领导CoSTAR团队赢得DARPA地下挑战城市巡回赛阿加也是DARPA赛车首先是喷气推进实验室，现在继续使用现场人工智能。“现场人工智能不仅仅是一个初创公司，”阿加告诉我们。“它是数十年人工智能经验及其在现场部署的结晶。”
非结构化环境是事物不断变化的地方，它可以破坏依赖静态地图的机器人。
field AI中的“field”部分是Agha创业公司的独特之处。运行Field AI软件的机器人能够处理非结构化、未映射的环境，而无需依赖先前的模型、GPS或人工干预。显然，NASA和JPL对这种能力很感兴趣，他们将机器人发送到没有地图、没有GPS的地方，并且不可能进行直接的人工干预。
但DARPA SubT证明，地球上也可以找到类似的环境。例如，矿山、自然洞穴和城市地下空间对机器人（甚至对人类）导航都极具挑战性。这些只是最极端的例子：需要在建筑物内或野外操作的机器人也面临着类似的挑战，他们需要了解自己在哪里，要去哪里，以及如何在周围环境中导航。
一辆无人驾驶汽车在没有地图、GPS和道路的情况下穿越数公里的沙漠。现场AI
尽管机器人在野外作业存在困难，但这是field AI希望解决的一个巨大机遇。机器人已经在检查环境中证明了其价值，通常情况下，你要么需要确保大型工业场地没有任何问题，要么需要跟踪部分完工建筑内的施工进度。这里有很大的价值，因为事情搞砸的后果是昂贵的或危险的，或两者兼而有之，但任务是重复的，有时是有风险的，通常不需要太多人类的洞察力或创造力。
未划分的领土作为基地
正如Agha所解释的那样，Field AI与其他提供这些服务的机器人公司的不同之处在于，他的公司想在没有地图告诉机器人去哪里的情况下完成这些任务。换句话说，没有冗长的设置过程，也没有人监督，机器人可以适应不断变化的新环境。真的，这就是完全自主的意义所在：随时随地，无需人类互动。“我们的客户不需要进行任何培训，”阿加说，并阐述了公司的愿景。“他们不需要精确的地图。他们只需按下一个按钮，机器人就可以发现环境的每一个角落。”这种能力正是DARPA SubT传统的用武之地。在比赛中，DARPA基本上说，“这是进入球场的大门。我们不会告诉你后面有什么，甚至不会告诉你它有多大。只要去探索整个过程，并把我们要求的信息带回来。”阿加的CoSTAR团队在比赛中做到了这一点，Field AI正在将这一能力商业化。
“对于我们的机器人，我们的目标是让您只需部署它，不需要训练时间。然后我们就可以离开机器人。”-Ali Agha，现场AI
关于这些非结构化环境，特别是建筑环境，另一个棘手的问题是，情况在不断变化，这可能会对依赖静态地图的机器人造成破坏。“我们是少数几家（如果不是唯一一家）可以让机器人在不受监督的情况下在不断变化的建筑工地上工作数天的公司之一，”Agha告诉我们。“这些场地非常复杂，每天都有新的项目、新的挑战和意外事件。地面上的建筑材料、脚手架、叉车和重型机械到处移动，你无法预测。”
现场AI
Field AI解决这个问题的方法是强调环境理解，而不是制图。Agha说，基本上，Field AI正在努力创建物理世界的“现场基础模型”（FFM），将传感器数据用作输入。您可以将FFM视为类似于其他AI公司在过去几年创建的语言、音乐和艺术的基础模型，在这些模型中，从互联网接收大量数据可以在一个领域中实现某种级别的功能，而无需针对每种新情况进行特定培训。因此，Field AI的机器人可以理解怎样在世界上移动，而不仅仅是哪里移动。“我们对人工智能的看法与主流截然不同，”阿加解释道。“我们进行非常繁重的概率建模。”Agha说，更多的技术细节将进入Field AI的IP，但关键是实时世界建模成为Field AI机器人在世界上运行的副产品，而不是该操作的先决条件。这使得机器人快速、高效、有弹性。
开发机器人可用于几乎任何地方的可靠行走的现场基础模型需要大量真实世界数据，过去一年，field AI一直在世界各地的工业和建筑工地收集这些数据。需要明确的是，他们正在收集数据，作为其商业运营的一部分——这些是Field AI已经拥有的付费客户。Agha解释说：“在这些工作场所，通常需要花数周的时间来巡视一个场所，并绘制出你需要检查的每个感兴趣的目标所在的地图。”。“但对于我们的机器人，我们的目标是让您只需部署它，而不需要培训时间。然后我们就可以离开机器人。这种自主性真的解锁了许多我们的客户甚至没有考虑的用例，因为他们认为这是多年以后的事了。”Agha说，这些用例不仅仅是关于施工、检查或其他我们已经看到了自动机器人系统的领域。“这些技术具有巨大的潜力。”
显然需要这种程度的自主权，但Agha表示，另一个让Field AI能够利用万亿美元市场的难题是，他们可以用几乎任何平台做什么。从根本上讲，Field AI是一家软件公司，他们制造与自主软件集成的传感器有效载荷，但即使这些有效载荷也可以调整，从适合自主车辆的载荷到无人机可以处理的载荷。
见鬼，如果你出于某种奇怪的原因决定需要一个自主的类人机器人，Field AI也可以做到。Agha表示，虽然这里的多功能性很重要，但更重要的是，这意味着你可以专注于价格更实惠的平台，当然，在每个机器人的设计限制范围内，仍然可以期望同样水平的自主性能。凭借对整个软件堆栈的控制，将移动性与高级规划、决策和任务执行相结合，Agha表示，利用相对便宜的机器人的潜力将对Field AI的商业成功产生最大的影响。
同一个大脑，有很多不同的机器人：Field AI团队的基础模型可以用于大、小、昂贵的机器人，而且价格也稍微便宜一些。现场AI
现场人工智能已经在扩大其能力，利用其最近在DARPA RACER的一些经验，部署机器人来检查数十公里的管道，并在太阳能发电场之间运输材料。随着收入的增加和大量资金的投入，Field AI甚至吸引了来自比尔·盖茨Field AI正在一家名为Offroad Autonomy的联邦项目子公司旗下参与RACER，与此同时，它的商业方面正致力于在它能想到的每个平台上扩展到“数百”个站点，包括人形机器人。
