可以，但机器人要怎么找到正确的门还是一个问题。
一般来说，机器人导航需要我们为它提前绘制一个区域地图，用算法引导机器人朝向地图上的特定目标或 GPS 坐标前进。这种方法在探索一个建筑布局或规划障碍赛道时是有意义的。但在最后一英里的交付环境中，这种办法可能变得「很笨」。想象一下，你在商场里用导航的效果是不是就不如开口问。
麻省理工学院新闻办公室的 Jennifer Chu 也表示：「如果我们要提前绘制机器人送货区域内的每一个社区，包括该社区内每栋房子的配置，以及每栋房子前门的具体坐标。这样的绘制任务很难扩展到整个城市，尤其是房屋的外观经常随着季节的变化而变化。」
而在成本高，操作难度大之外，把每户人家的坐标都传到系统上也会让人忧心自己的隐私问题。与其用这个方法，快递物流企业估计更愿意多雇佣几个快递员。
我们可以开口问，但机器人没法开口，只能看。
来自麻省理工和福特汽车的一组工程师现在就在训练机器人不用地图，通过线索去「找」门。
麻省理工学院机械工程系的研究生 Michael Everett 就表示，不同区域的布局是不同的，但也会有些共同点。「即使一个机器人把包裹送到一个它从未到过的地方，也可能会发现一些线索，与它在其他地方看到的一样。」
线索可能是前门、车库、车道等「路标」。机器人经过训练后，很可能知道一条车道常通向一条人行道，而这条人行道一般会通向家门口。
在不依赖地图的情况下，这项技术可以极大地减少机器人在识别目标时探索地形的时间。你不再需要为机器人绘制一张高精度的地图，只需要把它放在一条车道上，让它自己去寻找那扇门。
近年来，研究人员始终致力于将自然的语义引入机器人系统之中。
训练机器人通过语义标签识别物体，它就可以把一扇门当作一扇门，而不是简单地把它当作一个矩形障碍物。
这个技术的出色之处在于，我们成功地让机器人感知了周围的事物。
语义从现有的视觉数据中提取了特征的算法，以上下文的形式用语义线索生成了同场景的新地图。这种算法称为语义 SLAM（同步定位和映射）。
研究人员把这个算法应用到卫星图像上，就可以把这张包含了一个城市和三个郊区社区 77 户人家的地图依据图中较亮的区域，绘制出最有效的路径。对每一幅卫星图像，研究员 Everett 都会给典型的前院环境特征赋予语义标签和颜色，前门是灰色的，车道是蓝色的，树篱是绿色的。
在这个训练过程中，研究团队给每张图像都进行了遮罩处理，模拟机器人穿过院子时可能会出现的局部视角。
传统算法不考虑周围语义，探索了很多不大可能接近目标的区域。而使用新算法，机器人找到前门的速度比传统的导航算法快了 189%
未来，机器人或许可以自己做出决定，确定通往目的地的最佳路径。
