当今世界正经历百年未有的疫情的冲击，人们对无接触的生产生活方式提出了更多的需求，这对自主导航系统既是机遇也是挑战。低速无人配送、固定路线的消毒杀菌等无接触式机器人服务成为此次疫情爆发期的亮点应用。此项目设计能够用较低的成本完成两点之间的自主导航任务。可以应用于盲人导航，物流分拣配送，辅助驾驶等许多方面，并且能在室内或其他GPS信号弱的地方提供较好的导航服务。尤其是在低速物流配送研究方面具有很好的发展前景。

此项目目标自动跟随，要求小车能够从初始点出发自己引导识别主人跟随，并且希望尽可能简化调试过程。想要实现这一目标就需要设备能够尽可能多的收集周围的环境信息，通常采用摄像头加测距传感器的组合。控制设备在路径上行驶，导出设备记录的环境信息以及设备本身的速度和方位信息。使用的神经网络经行训练，交给计算机自行学习并生成路径导航模型。

 首先从技术角度来看，最主要的深度学习程序使用微软智能实验室的开源框架经行搭建，而且有实际项目案例作为参考，整体设计方案比较合理，可行性高。

其次经济的角度看，设备的主要成本来自于底盘的机械结构以及电路部分，在实际应用中这部分成本和同类产品通常相差不大，项目组选择的主控设备来自与用户的安卓手机，极大的降低了硬件成本，经济性比较高。

 从社会需求的角度看，目前疫情任然没有过去，该系统可以广泛应用各种无接触式的移动设备，并且该技术可以降低部分人群的劳动强度，社会对自主导航移动底盘的需求会越来越多。

关键技术：它将图像i和控制信号c作为输入，最终输出动作向量。除了对图像提取特征用的是卷积层，其余各层网络都是用的全连接层，本质是对特征矩阵的加权运算。（计算机随机提取特征，再其他图像上演算得出权重，图像越多，特征权重约准确。）图像经过卷积层和全连接层得到最终得到特征，控制信号本身就是数据，因此它没有卷积层，直接进入mlp全连接层加权运算。将这两个特征数据串联，再反馈进mlp神经网络得到动作向量a。