過去的項目和研究表明，深度學習是訓練機器人做特定事情的有效技術。例如我們已經看到OpenAI使用神經網絡訓練Dactyl來解魔方，以及一種稱為6-DoF GraspNet的算法，該算法可以幫助機器人拾取任意對象。現在加州大學伯克利分校的研究人員創建了伯克利自動駕駛地面機器人（BADGR）。

BADGR是使用自我監督數據訓練的端到端自主機器人。與大多數傳統的依靠幾何數據來規劃無碰撞路徑的傳統機器人不同，BADGR依靠“經驗”來穿越地形。

BADGR的核心是Nvidia Jetson TX2，它處理車載攝像頭，六自由度慣性測量單位傳感器，2D LIDAR傳感器和GPS系統。具體來說，BADGR擁有一個人工神經網絡，由實時相機傳感器的觀測結果和一系列未來計劃的行動提供反饋。

然後，神經網絡會預測到達目標的最佳可能路徑。與將路徑遍歷視為幾何問題的傳統方法相比，此方法具有一個主要優勢：傳統技術可以避開路徑中的高草，而BADGR可以在其中導航。此外，這使BADGR在收集更多數據時得以改善。研究人員指出：

BADGR背後的關鍵見解是，通過直接從現實世界中的經驗中自主學習，BADGR可以了解導航能力，隨著收集更多數據而不斷改進，並推廣到看不見的環境。

研究團隊表示BADGR的成功提出了一些問題。主要是，機器人將如何在看不見的甚至是敵對的環境中安全地收集數據？BADGR將如何適應有生命障礙（例如步行的人）的動態環境？

相關論文已發表在arXiv上。研究人員還在BADGR的GitHub存儲庫中發布了其研究成果。