穿越旷野的道路，是救援人员和户外活动爱好者一个有用的技能，但是对于机器人来说却还是一个难以攻克的技术。这是因为这些机械兽并不意味着同时爬山坡上是无法避免掉落的树枝，最先进的机器学习算法将能够做到这一点。问题是它们缺乏多功能性。人工智能驱动的机器人经常在以前从未见过的环境中挣扎。
最近科罗拉多大学的研究人员在Arxiv.org上发表了一篇论文(“荒野小径上机器人从虚拟到现实转移学习”)。
并且提出了一个解决方案。他们的做法是利用各种深度学习模型如神经元模拟数学函数层用来帮助机器人从相机镜头的登山路线的方向上。可以在搜索和救援、野生动物管理、以及提高天气和气候预测的环境等许多情况下都有使用用途，研究人说：户外步道的自主导航是一个具有挑战性的问题......在许多情况下，收集和训练数据集不是很实用，特别是由于季节性的天气变化、自然侵蚀以及路况条件使其低存活率。
正如论文指出，户外的道路上有很多变化。由任何数量的材料（砾石、土壤、覆盖物等）定义，如草地和森林以及山脉还有各种生物群落都需要跨越。此外，它们的外观由于天气和季节的时间而变化。通常会被茂密的植被部分遮挡。
因为真实数据将需要收集以及训练强大系统非常耗时，研究人员购买了虚拟的户外路线的合成图像。而且还组装了一个阿尔卑斯山的场景，使Unity中有泥土小径，点缀着Unity Asset Store的树木、岩石和草的3D模型。还安装了一个带三个摄像头的虚拟机器人。每个相机的分辨率400×400像素的分辨率，以及80度的视野，可以收集20，269张景观图像。
团队把图像调整为100×100×3像素的分辨率得已实现快速处理意见更小的内存消耗。然后将集合分成三个单独的集合。分别用于：训练、验证、测试，
训练数据集被送到三个不同的神经网络，深层神经网络（DNN），卷积神经网络（CNN），以及递归神经网络（RNN）。在AI完全控制虚拟机器人的实验中，模型RNN能够以95.02％的准确度预测正确的轨道方向。重要的是，在另一个试验中，研究人员在4,000个真实世界图像的数据集上训练了所有三种AI算法，DNN模型的准确率达到了58.41％，比基准线多，并表明虚拟到现实的转移学习有潜力超越一些传统的计算机视觉方法。
机器人在导航路径方面取得了巨大成功，包括那些急转方向、巨石以及泥潭等障碍物。此外，在一次试验中，机器人在与一个大障碍物碰撞后短暂地偏离了小径，然后导航回到小径并恢复其行程。
机器人偶尔将特定地形区域误认为路径特征，从而偏离路径。研究人员承认Unity的低质量地形包不允许物体之间存在“足够的差异”（还是需要在未来探索技术以提高普遍性，例如程序性生成具有各种条件的程序性地形。）
但认为，自己的工作为加速机器人地形导航AI培训的方式奠定了基础。
机器人的电池寿命，人体疲劳和安全的人是手动收集数据的一大挑战，通过这个方法，这些问题都能避开，标签数据在虚拟环境中产生，而且机器人可以进行虚拟训练，以驾驭难以进入和/或危险的地形，包括目前无法访问的新型地形，甚至从未接触过这些环境，并(例如，火星)中收集真实数据。
