1樓：新域構想
個人看法，感知技術做為研究方向比較務實一些。就好比財務管理，要學習會計記賬一樣，基礎核心不可或缺的東西學會了，才有可能進一步拓展。規劃管理協調都不是乙個學生一開始就能做的，懂些知識就可以。
企業進來了也不會先讓你做管理，而是參與專案先學習，弄明白熟悉了流程，專案管理協調自然容易領會。
2樓：西洲
這些東西結合起來就是一整個系統根據感知任務進行路徑規劃協作提公升任務完成時間與定位精確度
應用領域如物聯網領域無線感測網機械人無人機等也很多
協作其實很廣，你說的那些比如協作感知協作路徑規劃協作構圖等都會涉及到協作也離不開協作從單智慧型體到多智慧型體的擴充套件
其他的話 Slam門檻較高
路徑規劃比較成熟但在高維領域仍存在難題求解需要極多數學和組合優化這些知識
感知方面資料處理資料融合濾波等等
最後我看好多文章都是聯合考慮任務分配與路徑規劃基於分布式決策來設計策略
希望對您有幫助~
3樓：
其實不用非要選方向，這些都是值得學的領域。入行之後你會發現，只要你有過硬的基本技能，不但在公司可以換組，而且在行業裡也可以隨時換公司，其實大家都是換湯不換藥，技術本質都是類似的，所面臨的瓶頸也都類似。工作十年後你可能會發現，這幾個領域都已經被你涉足了一遍。
4樓：一土山石
提到的這幾大塊內容其實是相互緊密聯絡的。目前機械人領域最火的，也是個人感覺前景更好的，當然是感知這塊，但是如果你沒有組織機構，團隊成員，不建議個人研究這塊。
slam這塊入門難於感知，成熟度高於感知，遺留問題坑很深，但需求量要多一些。做這一行的都知道，沒有通用的slam系統，一般針對應用場景都需要進行定製開發，因此一但機械人大規模推廣，slam工程師需求量是會增大。
單從入門角度，運動規劃（路徑規劃，軌跡規劃，運動控制）這塊要更容易一些，因為研究時間最長，成熟度最高。同時，這塊的可研究內容也較多，各種角度的方法也很有意思，較容易出成果。但這塊要想做出較好結果，需要有較好的slam支撐。
至於協作，需要對其他三個內容都有一定的研究，現階段看到過的這方面比較好結果的，基本都是大組做出來的。
個人感覺這幾個研究領域都挺好的，主要要看個人的興趣，否則很難最後堅持下來。現階段各種開源專案眾多，建議直接上手去試，選擇自己喜歡的那個，不要考慮過多的客觀因素，因為那些基本都能克服的，不是嗎？
5樓：dashu
商業成熟度上，感知比較容易落地，adas已經有產品落地，主要是視覺+公釐波雷達技術。單獨視覺的產品目前也有，例如一些監控系統。
6樓：
在校學生，感覺研究SLAM底層演算法，將來轉行去券商或者網際網路公司比較合適。
路徑規劃搞得教授比較多，協作沒什麼人做。
像產品分析的答案一樣，感覺到處都是坑，機械人領域深入經濟收益不是很高，容易結構性失業。
如何看待周志華在人工智慧與機械人峰會上的發言，說學術界要思考 AI 未來，把追求效能交給工業界
Rritage 是的，這話沒問題。實際情況是工業界有更多的資源去實現新的idea而不止是追求效能，而學術界很多人確實在思考ai的未來但是只能交給時間。吳恩達和yoshua bengio 聊的時候也聊到了這個問題，而且指出很多研究人員為了實現自己的idea去加入大廠，導致很長時間以來新的成果甚至都來自...
如何看待大熱的人工智慧機械人 Sophia？
這是乙個flag 人工智慧發展到現在，在外形上可以說是有很大的突破，人們對於這樣的技術都是有著一定的要求的，而且現在的技術可以說將人工智慧機械人做的與人的外形一模一樣，這是一種全新的技術體驗，但是索菲亞在智慧型溝通上還是有著一定的問題，人們對於溝通的自由度還是需要重新開發和審視的。 I mYES 有...
人工智慧機械人會知道自己是機械人嗎？還是一直會以人類的方式生存？
大漠晨曦LY 英國的圖靈和一些美中國人捏造的打造有意識的人工智慧理論學科真是害人不淺，讓人們在研究二進位制技術向發展有意識方面越陷越深，幹嘛要發展機器意識，人類用計算機技術用程式方法控制二進位制計算裝置擴充套件自己的能力 樹立二進位制機器永遠是人的工具的思想才是王道。就象人類採用挖掘機挖地，挖掘機永...