穿越曠野的道路，是救援人員和戶外活動愛好者一個有用的技能，但是對於機器人來說卻還是一個難以攻克的技術。這是因為這些機械獸並不意味著同時爬山坡上是無法避免掉落的樹枝，最先進的機器學習算法將能夠做到這一點。問題是它們缺乏多功能性。人工智能驅動的機器人經常在以前從未見過的環境中掙扎。
最近科羅拉多大學的研究人員在Arxiv.org上發表了一篇論文(“荒野小徑上機器人從虛擬到現實轉移學習”)。
並且提出了一個解決方案。他們的做法是利用各種深度學習模型如神經元模擬數學函數層用來幫助機器人從相機鏡頭的登山路線的方向上。可以在搜索和救援、野生動物管理、以及提高天氣和氣候預測的環境等許多情況下都有使用用途，研究人說：戶外步道的自主導航是一個具有挑戰性的問題......在許多情況下，收集和訓練數據集不是很實用，特別是由於季節性的天氣變化、自然侵蝕以及路況條件使其低存活率。
正如論文指出，戶外的道路上有很多變化。由任何數量的材料（礫石、土壤、覆蓋物等）定義，如草地和森林以及山脈還有各種生物群落都需要跨越。此外，它們的外觀由於天氣和季節的時間而變化。通常會被茂密的植被部分遮擋。
因為真實數據將需要收集以及訓練強大系統非常耗時，研究人員購買了虛擬的戶外路線的合成圖像。而且還組裝了一個阿爾卑斯山的場景，使Unity中有泥土小徑，點綴著Unity Asset Store的樹木、岩石和草的3D模型。還安裝了一個帶三個攝像頭的虛擬機器人。每個相機的分辨率400×400像素的分辨率，以及80度的視野，可以收集20，269張景觀圖像。
團隊把圖像調整為100×100×3像素的分辨率得已實現快速處理意見更小的內存消耗。然後將集合分成三個單獨的集合。分別用於：訓練、驗證、測試，
訓練數據集被送到三個不同的神經網絡，深層神經網絡（DNN），卷積神經網絡（CNN），以及遞歸神經網絡（RNN）。在AI完全控制虛擬機器人的實驗中，模型RNN能夠以95.02％的準確度預測正確的軌道方向。重要的是，在另一個試驗中，研究人員在4,000個真實世界圖像的數據集上訓練了所有三種AI算法，DNN模型的準確率達到了58.41％，比基準線多，並表明虛擬到現實的轉移學習有潛力超越一些傳統的計算機視覺方法。
機器人在導航路徑方面取得了巨大成功，包括那些急轉方向、巨石以及泥潭等障礙物。此外，在一次試驗中，機器人在與一個大障礙物碰撞後短暫地偏離了小徑，然後導航回到小徑並恢復其行程。
機器人偶爾將特定地形區域誤認為路徑特徵，從而偏離路徑。研究人員承認Unity的低質量地形包不允許物體之間存在“足夠的差異”（還是需要在未來探索技術以提高普遍性，例如程序性生成具有各種條件的程序性地形。）
但認為，自己的工作為加速機器人地形導航AI培訓的方式奠定了基礎。
機器人的電池壽命，人體疲勞和安全的人是手動收集數據的一大挑戰，通過這個方法，這些問題都能避開，標籤數據在虛擬環境中產生，而且機器人可以進行虛擬訓練，以駕馭難以進入和/或危險的地形，包括目前無法訪問的新型地形，甚至從未接觸過這些環境，並(例如，火星)中收集真實數據。
