DGIST与KAIST开发减少预测与路径规划间“技能冲突”的训练方法
在保持模型规模的同时提升性能……有望用于机器人、自动驾驶等具身人工智能
在人群中移动的机器人，需要预测前方人员的移动方向，同时判断应选择哪条路线才能避免碰撞。若将各项能力交由不同的人工智能模型负责，虽可提高准确性，却会增加运算量和内存需求；反之，若将多项能力整合至一个小型人工智能模型，又会出现相互干扰学习的问题。
韩国研究团队开发出一种训练技术，可减少将多项功能整合到单一小型人工智能模型时产生的“技能冲突（Skill Conflict）”。预计该技术可用于机器人、自动驾驶等“具身人工智能”的轻量化，这类系统需在有限的计算资源下同时作出多项判断。
大邱庆北科学技术院（DGIST）11日表示，电子电气计算机工程系教授Park Daehee的研究团队与韩国科学技术院（KAIST）研究团队联合开发出“解耦参数训练（DPT）”技术，可在单一小型人工智能模型中同时进行人员运动预测和机器人移动路径规划。
小型人工智能内部的“资源争夺”
在人员密集空间内移动的机器人，既要预测周围人员的移动方向，也要同时计算避开碰撞的路径。若针对两项任务分别使用独立的人工智能模型，计算资源和内存占用将增加，给在小型机器人等设备上部署带来负担。
问题在于，单纯将多项功能合并到一个模型中并不能解决问题。不同任务会使用人工智能模型内部相同的区域进行学习，从而产生干扰，反而可能导致各项性能下降。研究团队将这一现象定义为“技能冲突”，并确认在同时训练运动预测和路径规划的过程中确实会出现这一现象。
研究团队开发的DPT采用分离方式，使各项功能主要在人工智能模型内部不同的部分进行学习，之后仅选择各任务所需的部分整合为一个模型。借此，无需扩大模型规模，便可减少运动预测与路径规划之间的相互干扰。
研究团队照片。从左至右依次为DGIST电子电气与计算机工程系教授Park Daehee、硕士生Seo Taewon、本科研究生Jeon Seonae。DGIST供图
View original image研究团队利用应用于机器人运动研究的JRDB、JTA等数据集验证了性能。结果显示，与既有方法相比，该技术提高了对周围人员运动的预测准确度，并降低了机器人的移动路径误差和发生碰撞的可能性。在面向自动驾驶人工智能的追加实验中，研究团队也确认了性能提升。
Park教授表示：“如机器人和自动驾驶等在现实空间中移动的人工智能，必须利用有限的计算机资源同时作出多项判断。我们解决了将多项功能装入单一小型人工智能时出现的性能下降问题，今后计划将其应用于实际机器人，以验证其实用可能性。”
此次研究由DGIST硕士研究生Seo Taewon和本科研究生Jeon Seonae参与，Park教授担任通讯作者。研究成果已获计算机视觉领域国际学术会议“欧洲计算机视觉会议（ECCV）2026”录用，将于10日至12日在瑞典马尔默发表。该研究获得NVIDIA学术硬件资助计划支持。
版权所有 © 阿视亚经济。未经许可不得转载，禁止用于AI训练及使用。
