本文转自雷锋网，如需转载请至雷锋网官网申请授权。
如上所示，总共需要花费清单如下：一个3D打印的底座：5美元；四个轮子：3.5美元；三节电池：7美元；两个速度传感器：2美元；一个马达驱动器：3美元；一个微控制器：8美元。
之所以使用手机作为Bobo的大脑，是因为如今智能手机的功能越来越强大，手机的相机质量和处理器速度等方面也正在不断提高。即使是商业手机也配有惯性测量单元（inertial measurement units）、GPS、Wi-Fi、蓝牙、蜂窝调制解调器以及专门用于AI神经网络模型Inference的芯片。有些手机配件的性能比电脑处理器（desktop processor）还要出色！
研究者将智能手机插入一个电机体（electromechanical body）内，主要用于传感、数据融合和计算。此外，底盘最多可容纳四台马达（motor），还留有一些空位用于安装控制器、微控制器、LED灯、智能手机安装座（smartphone mount）和USB数据线。
在充电方面，电池组与专门的充电端口连接，向马达供电，并有一块Andruino Nano板（一个基于易用硬件和软件的开源电子平台）通过USB与智能手机配对，向机器人提供串行通信链路（serial communication link）和电量（power）。
机器人的两个前轮还配备了能够传送测距信号的传感器，以及与马达连接的引脚（pin）实时调整速度和方向。
Bobo的软件堆层也较为简易，仅包含两个通过串行链接进行通信的组件。操作人员可以在智能手机上安装一个安卓app，然后通过app的界面，在运行更高级别的感知和把控工作量的同时进行数据集的收集。此外，在Arduino上运行的程序能够进行简单的驱动，并测量里程计与电池电压等等。
安装了安卓app之后，OpenBot还能通过你们现有的兼容了蓝牙设备的PS4、Xbox和Switch等游戏控制器进行操控。控制器上的按钮可以设定功能，在寻找路径的模型（path-finding model）中进行数据收集和交换。这些模型包括方便上手的自动导航模型，可以检测并跟踪机器人视线内的人员。
整个组装过程也很简单，只需坐在桌子前“动手”即可，即使没那么心灵手巧的人，只要拿出拼图的耐心，想必就能完成。
这样一台简单的机器人，效果究竟如何呢？
研究人员用中端手机小米Note 8、华为P30 Lite和小米Poco F1等设备进行了测试，如上图所示，可以实现以每秒10帧或更快的速度跟踪人员活动，因为这些手机装备了专门的AI加速器。即使是配置最差的诺基亚2.2，也能成功检测到目标人员，并跟踪目标对象长达约一半测试时长。
在自主导航任务中，它还能够巧妙地躲避办公区走廊的盆栽植物。
2. 手把手教程已开源
前面也提到，整个机器人的成本，除去手机之外，不到50美元（350元人民币）。机器人的身体采用的是3D 打印零件，以及一台智能手机（二手旧手机也可）。
上图为作者5量车的零件批发价格
机器人背后的技术已经用论文的形式进行公布，而制作步骤，作者也在GitHub上进行了开源。相关零件也给出了购买渠道。就连3D打印图纸也良心放出，甚至还给出了3D打印机的参数设置。
GitHub地址：https://github.com/intel-isl/OpenBot/tree/master/body
论文地址：https://arxiv.org/pdf/2008.10631.pdf
同时还给出了20个安装过程的注意事项，可以说的良心手把手教程了：例如，如有必要，将电线连接到马达上；将速度传感器和超声波传感器连接到5V和GND等等。
在论文中，作者也介绍了利用智能手机的原由，即智能手机的优势不止快速提升的硬件能力，它们还具备蓬勃发展的软件生态系统。
智能手机在相机质量和处理器速度上不断提高，配备GPS、Wi-Fi、蓝牙、蜂窝调制解调器以及用于AI推理的专用芯片，有些性能甚至优于台式处理器。
整个小型电动车（机器人）分为两个部分，第一部分是硬件，也就是50美元就能搞定的那些零件；第二部分是软件堆栈，其功能是让智能手机将小车作为机身，并实现实时感知和计算的移动导航。
硬件的构造包括机械设计和电路设计两部分，机械设计如下图所示：
电路设计如下图所示：顶部包括电池、电机控制器、微控制器、速度传感器、指示灯LED和智能手机；底部包括，可选定制PCB以减少布线。
而软件堆栈也包含两部分：安卓应用和 Arduino 程序。其中，安卓应用在智能手机上运行，可以提供操作界面，收集数据集，运行高阶的感知和控制任务。Arduino 程序负责低阶的驱动和度量，如度量车轮里程、监控电池电压等等。
软件和硬件完备之后，英特尔的研究人员训练机器人，期望能够完成两个任务，一个是行人跟踪，另一个是自动导航。
驾驶策略的训练流程
在自主导航任务中，研究人员用了一个类似于“条件模仿学习的命令输入变体（command-input variant of Conditional Imitation Learning）”的神经网络，训练了一个在大多数智能手机上都能实时运行的驾驶策略。另外，研究人员将其与现有的驾驶策略进行比较，并获得与基线相似的性能，而所需参数减少了大约一个数量级。
