Исследователи Сколтеха разработали метод, позволяющий колесным роботам быстро, эффективно и естественно обходить препятствия при движении в людных местах. Как сообщается в IEEE Robotics and Automation Letters , новый планировщик движения использует машинное обучение и может быть полезен для роботизированной дезинфекции, инвентаризации и парковки автомобилей.
Роботизированная навигация в двух измерениях, перемещение из пункта А в пункт Б, не сталкиваясь с препятствиями, — классическая задача, которая с конца 1980-х годов решалась разными способами. Некоторые из проблем с существующими решениями заключаются в том, что планировщикам требуется много времени, чтобы установить траекторию, иногда они вообще не делают этого или предлагают субоптимальные траектории, которые являются слишком длинными или негладкими — то, что люди интуитивно называют движением «как робот». Кроме того, некоторые из существующих планировщиков хороши только для роботов с круглым телом или всенаправленных роботов, которые могут двигаться в произвольном направлении с места.
Первый автор исследования, к.т.н. Сколтеха. студент Михаил Куренков прокомментировал: «Мы разработали планировщик, который работает с роботами, которые не являются круглыми и не всенаправленными, и превосходит традиционные подходы к планированию движения, которые используют процесс Гаусса и алгоритм быстрого изучения случайного дерева. Наш метод использует то, что известно как концепция нейронного поля. Концепция не часто применялась для планирования движений, по крайней мере, не в 2D, чем мы и занимаемся».
Нейронные поля мало чем отличаются от полей в физике, но в этом случае значения, которые они хранят для каждой точки пространства, — это такие вещи, как «каково расстояние до ближайшего препятствия» или «насколько эта точка пуста или занята препятствиями». » Первый находит применение в графическом дизайне и анимации, а второй фактически является ценностью нового планировщика движений робота, созданного в Сколтехе. Одним из последних достижений в области нейронных полей является привлечение машинного обучения и использование нейронных сетей для параметризации поля. Так работает новый планировщик.
Чтобы проверить, насколько хорошо он работает, исследователи сравнили свой планировщик с более традиционными решениями: планировщик движения гауссовского процесса и быстро изучаемый алгоритм случайного дерева. Доказано, что метод на основе нейронного поля позволяет строить более короткие и плавные траектории и требует меньше неловких поворотов на месте.
Тест опирался на общедоступный набор данных с несколькими сценариями, включая коридоры, парковки и городские сети. Это дает представление о том, какие роботы могут извлечь выгоду из планировщика: во-первых, он может помочь дезинфекторам, счетчикам запасов и другим сервисным роботам в торговых центрах. Сценарий городской среды также предполагает применение в роботизированных парковочных системах.
Дополнительная информация: Михаил Куренков и др., NFOMP: нейронное поле для оптимального планирования движения роботов с дифференциальным приводом и неголономными ограничениями, IEEE Robotics and Automation Letters (2022). DOI: 10.1109/LRA.2022.3196886
Будьте в курсе в удобном формате, присоединяйтесь: TG-канал и ВК
Бесплатная служба распространения новостей для научных организаций и стартапов
hello@technovery.com