最后一公里的配送可以交給機器人來完成嗎？
可以，但機器人要怎么找到正確的門還是一個問題。
一般來說，機器人導航需要我們為它提前繪制一個區域地圖，用算法引導機器人朝向地圖上的特定目標或 GPS 坐標前進。這種方法在探索一個建筑布局或規劃障礙賽道時是有意義的。但在最后一英里的交付環境中，這種辦法可能變得「很笨」。想象一下，你在商場里用導航的效果是不是就不如開口問。
麻省理工學院新聞辦公室的 Jennifer Chu 也表示：「如果我們要提前繪制機器人送貨區域內的每一個社區，包括該社區內每棟房子的配置，以及每棟房子前門的具體坐標。這樣的繪制任務很難擴展到整個城市，尤其是房屋的外觀經常隨著季節的變化而變化。」
而在成本高，操作難度大之外，把每戶人家的坐標都傳到系統上也會讓人憂心自己的隱私問題。與其用這個方法，快遞物流企業估計更愿意多雇傭幾個快遞員。
我們可以開口問，但機器人沒法開口，只能看。
來自麻省理工和福特汽車的一組工程師現在就在訓練機器人不用地圖，通過線索去「找」門。
麻省理工學院機械工程系的研究生 Michael Everett 就表示，不同區域的布局是不同的，但也會有些共同點。「即使一個機器人把包裹送到一個它從未到過的地方，也可能會發現一些線索，與它在其他地方看到的一樣。」
線索可能是前門、車庫、車道等「路標」。機器人經過訓練后，很可能知道一條車道常通向一條人行道，而這條人行道一般會通向家門口。
在不依賴地圖的情況下，這項技術可以極大地減少機器人在識別目標時探索地形的時間。你不再需要為機器人繪制一張高精度的地圖，只需要把它放在一條車道上，讓它自己去尋找那扇門。
近年來，研究人員始終致力于將自然的語義引入機器人系統之中。
訓練機器人通過語義標簽識別物體，它就可以把一扇門當作一扇門，而不是簡單地把它當作一個矩形障礙物。
這個技術的出色之處在于，我們成功地讓機器人感知了周圍的事物。
語義從現有的視覺數據中提取了特征的算法，以上下文的形式用語義線索生成了同場景的新地圖。這種算法稱為語義 SLAM（同步定位和映射）。
研究人員把這個算法應用到衛星圖像上，就可以把這張包含了一個城市和三個郊區社區 77 戶人家的地圖依據圖中較亮的區域，繪制出最有效的路徑。對每一幅衛星圖像，研究員 Everett 都會給典型的前院環境特征賦予語義標簽和顏色，前門是灰色的，車道是藍色的，樹籬是綠色的。
在這個訓練過程中，研究團隊給每張圖像都進行了遮罩處理，模擬機器人穿過院子時可能會出現的局部視角。
傳統算法不考慮周圍語義，探索了很多不大可能接近目標的區域。而使用新算法，機器人找到前門的速度比傳統的導航算法快了 189%
未來，機器人或許可以自己做出決定，確定通往目的地的最佳路徑。
