视觉是大自然数十亿年来与我们共同创造的惊人创作之一。这对人类来说是一个关键的意义，但我们经常认为这是理所当然的：也就是说，直到我们开始失去它或我们尝试为机器人重新创建它。

许多研究实验室(包括我们自己的研究实验室)已经对动物和昆虫中的视觉系统进行了几十年的建模。我们大量研究蚂蚁，蜜蜂甚至啮齿动物的研究。

为了模拟生物系统并使其对机器人有用，您通常需要了解该视觉系统的行为和神经基础。

行为组成部分是您观察动物所做的事情以及当您弄乱它可以看到的东西时该行为如何变化，例如通过尝试不同的地标配置。神经元件是动物大脑中用于任务的视觉学习的电路，例如导航。

识别面孔

识别是所有动物和机器人的基本视觉过程。它能够识别世界上熟悉的人，动物，物体和地标。

由于其重要性，面部识别部分地“融入”婴儿等自然系统。我们很早就能识别出面孔。

沿着这些方向，一些人工人脸识别系统基于生物系统如何被认为起作用。例如，研究人员创建了一组神经网络，模仿灵长类动物视觉处理层次的不同层次，以创建一个能够进行人脸识别的系统。

认识到的地方

视觉位置识别是导航世界的任何事物的重要过程。

地点识别是机器人或动物观察周围世界的过程，并且能够协调它当前看到的与某个地方的过去记忆，或者在人类的情况下，对该地方的描述或期望。

在GPS导航出现之前，我们可能会收到一些指示，例如“直到你看到左边的教堂然后右转弯”。我们知道一个典型的教堂是什么样的，因此当我们看到它时可以认出它。

这种地方识别可能听起来像一个简单的任务，直到遇到诸如外观变化之类的挑战 - 例如由昼夜循环或恶劣天气条件引起的外观变化。

视觉识别一个地方很简单......直到那个地方的外观发生巨大变化。

迈克尔米尔福德

视觉识别场所的另一个挑战是视点变化：如果您从不同的角度查看场景，则会出现如何变化。

在第一次沿着道路回溯路线时会遇到一个极端的例子 - 从相反的角度来看，你正在环境中遇到一切。

从相反的观点来看，同一个地方看起来非常不同。

neyro2008 / Alexander Zelnitskiy / Maxim Popov / 123rf.com / 1年，1,000公里：牛津机器人汽车数据集。

尽管存在这些挑战，创建能够识别这个地方的机器人系统需要视觉系统更深入地了解周围环境中的内容。

感应能力

视觉传感硬件在过去十年中迅速发展，部分原因在于智能手机中功能强大的相机的激增。现代相机现在甚至在更有能力的自然视觉系统中匹配或超越，至少在某些方面。

例如，消费者相机现在可以在黑暗中看到调整后的人眼。

新的智能手机相机还可以每秒1000帧的速度录制视频，从而使机器人视觉系统的运行频率高于人类视觉系统。

诸如动态视觉传感器(DVS)之类的专业机器人视觉传感甚至更快，但仅报告像素亮度的变化，而不是其绝对颜色。您可以在伦敦海德公园散步时看到不同之处：

并非所有机器人摄像机都必须像传统摄像机一样：机器人专家根据蚂蚁等动物如何看待世界而使用专业摄像机。

要求的分辨率

所有基于视觉的机器人和动物研究的基本问题之一是“完成工作”需要视觉分辨率(或视敏度)。

对于许多昆虫和动物如啮齿类动物而言，它们可以获得相对较低的视觉分辨率 - 相当于在许多情况下具有几千像素的相机(与相机分辨率从800万像素到40万像素的现代智能手机相比))。

所需的分辨率根据任务的不同而有很大差异 - 对于某些导航任务，蚂蚁和蜜蜂以及机器人等动物只需要几个像素。

但是对于更复杂的任务 - 例如自动驾驶汽车 - 可能需要更高的摄像机分辨率。

如果汽车能够可靠地识别和预测人类行人正在做什么或打算做什么，他们可能需要高分辨率的视觉传感系统，可以获得微妙的面部表情和身体运动。

生物启发与实用主义之间的紧张关系

对于寻求自然灵感的机器人专家来说，模仿生物学和利用相机技术的不断进步之间存在着持续的紧张关系。

虽然生物视觉系统在过去明显优于相机，但技术的不断快速发展使得相机在许多情况下具有对自然系统的优异感测能力。在追求创造高性能和安全的机器人和自动驾驶汽车时，应该利用这些实用能力是明智的。

对话但是生物学仍将在激励机器人专家方面发挥关键作用。自然王国非常擅长制造功能强大的视觉系统，这些系统消耗的空间，计算和功率资源最少，是大多数机器人系统的主要挑战。