یک گروه تحقیقاتی از آزمایشگاه سیستم‌های هوشمند در دانشگاه صنعتی توویاشی فریم‌ورک جدیدی را برای آموزش حرکت سریع و در عین حال ایمن برای ربات‌ها ارائه کرده‌اند. این چارچوب از علم یادگیری عمیق برای آموزش یک استراتژی ناوبری سریع اما ایمن استفاده می‌کند.
یکی از نیازهای اساسی ربات‌های خود کنترل شونده‌ی سیار، قابلیت پیمایش آن‌ها است. این ربات‌ها باید بتوانند با استفاده از نقشه و طبق مختصات داده شده از موقعیت فعلی خود به موقعیت هدف مشخص شده پیمایش کنند و در عین حال از برخورد با موانع موجود در اطراف جلوگیری کنند. در برخی موارد ربات‌ها ملزم به حرکت با سرعت بالا هستند تا در اسرع وقت به مقصد برسند. با این حال، ربات‌هایی که خدمات پیمایش سریع‌تری را ارائه می‌دهند معمولاً خطر تصادف بالایی دارند و باعث ناامن شدن خدمات ناوبری می‌شوند که در نهایت هم ربات و هم محیط اطراف را به خطر می‌اندازند.
برای حل این مشکل، یک گروه تحقیقاتی از آزمایشگاه سیستم‌های هوشمند هوش فعال (AISL) در گروه علوم و مهندسی کامپیوتر در دانشگاه صنعتی توویاشی (TUT) چارچوب جدیدی را ارائه کرده‌اند که به ربات‌ها توانایی ارائه خدمات ناوبری سریع اما ایمن را آموزش می‌دهد. فریم‌ورک پیشنهادی ربات را قادر می‌سازد تا با استفاده از علم یادگیری عمیق سیاستی را برای ناوبری سریع اما ایمن بیاموزد.
Chandra Kusuma Dewa، دانشجوی دکترا و اولین نویسنده مقاله توضیح داد که چارچوب ارائه شده با استفاده از یادگیری عمیق می‌تواند به وسیله تلاش مکرر برای اقدامات مختلف ربات را قادر به انجام اقدامات مناسب بر اساس وضعیت در لحظه محیطی (موقعیت ربات و قرار گرفتن موانع در مقابل ربات) کند.
پروفسور Jun Miura، رئیس آزمایشگاه سیستم‌های هوشمند در دانشگاه صنعتی توویاشی، توضیح می‌دهد که این فریم‌ورک با تنظیم مقدار سرعت برای ربات در ابتدای آموزش، از یک استراتژی یادگیری برنامه درسی پیروی می‌کند. با افزایش مقدار آموزش‌ها و تکرار آن‌ها، سرعت ربات به تدریج افزایش می‌یابد تا ربات بتواند به مرور زمان پیشرفت کرده و از ساده‌ترین سطح که مربوط به حرکت آهسته می‌شود، تا سخت‌ترین و پیچیده‌ترین کارها مانند ناوبری سریع و ایمن را در یک محیط آموزشی فرا بگیرد.
معمولاً آموزش‌های ارائه شده به الگوریتم‌های یادگیری در یک محیط شبیه‌سازی شده انجام و تست می‌شوند. ثابت شده که فریم‌ورک پیشنهادی ربات را قادر می‌سازد تا با بالاترین میزان موفقیت در مقایسه با سایر فریم‌ورک‌های قبلی هم در زمان آموزش و هم در مراحل تأیید عمل کند. این گروه تحقیقاتی بر این باورند که فریم‌ورک ارائه شده براساس نتایج گرفته شده می‌تواند بسیار ارزشمند باشد و می‌توان از آن برای آموزش ربات‌های سیار در هر زمینه ای که به ناوبری سریع اما ایمن نیاز دارد استفاده کرد.
