Skoltech-forskare har utvecklat en metod för att göra det möjligt för hjulförsedda robotar att undvika hinder på ett snabbt, effektivt och naturligt sätt när de rör sig i en trång miljö. Rapporterad i IEEE Robotics and Automation Letters , den nya rörelseplaneraren utnyttjar maskininlärning och kan vara användbar för robotdesinfektion, lagerräkning och bilparkering.

Robotnavigering i två dimensioner, att ta sig från A till B utan att stöta på hinder, är en klassisk uppgift som har lösts på flera sätt sedan slutet av 1980-talet. Några av problemen med de befintliga lösningarna är att det tar lång tid för planerare att etablera en väg, ibland misslyckas med att göra detta helt, eller erbjuder suboptimala banor som är för långa eller ojämna – det som folk intuitivt kallar för att röra sig "som en robot." Vissa av de befintliga planerare är också bara bra för robotar som har en rund kropp eller är rundstrålande – kan köra i en godtycklig riktning från stillastående.

Studiens första författare, Skoltech Ph.D. student Mikhail Kurenkov, kommenterade:"Vi har utvecklat en planerare som fungerar med robotar som inte är runda och inte rundstrålande och som överträffar de konventionella rörelseplaneringsmetoderna som använder Gauss-processen och den snabbt utforskande slumpmässiga trädalgoritmen. Vår metod använder vad som kallas neurala fältkoncept. Det har inte tillämpats mycket på rörelseplanering, åtminstone inte i 2D, vilket är vad vi gör."

Neurala fält är inte olikt fälten i fysiken, men i det här fallet är värdena de lagrar för varje punkt i rymden saker som "vad är avståndet till närmaste hinder" eller "i vilken utsträckning den punkten är tom eller upptagen av hinder. " Den förra hittar tillämpningar inom grafisk design och animation, och den senare är faktiskt värdet som används av den nya robotrörelseplaneraren skapad på Skoltech. En av de senaste utvecklingarna inom neurala områden är att anlita maskininlärning och använda neurala nätverk för att parametrisera området. Det är så den nya planeraren fungerar.

För att testa hur väl den fungerar jämförde forskarna sin planerare med mer konventionella lösningar:en Gaussisk processrörelseplanerare och en snabbt utforskande slumpmässig trädalgoritm. Den neurala fältbaserade metoden visade sig i slutändan bygga kortare och jämnare banor och kräver färre obekväma svängar på plats.

Testet förlitade sig på en öppet tillgänglig datauppsättning med flera scenarier, inklusive korridorer, parkeringsplatser och stadsnät. Detta ger ett smakprov på den typ av robotar som kan dra nytta av planeraren:För det första kan det hjälpa desinfektionsmaskiner, lagerräknare och andra servicerobotar i gallerior. Stadsmiljöscenariot föreslår också tillämpningar i robotiserade parkeringssystem. + Utforska vidare

Djup inlärning hjälper robotar att greppa och flytta objekt med lätthet