Ny bevægelsesplanlægger til robotter på hjul til at komme rundt om forhindringer hurtigere og mere effektivt

Skoltech-forskere har udviklet en metode, der gør det muligt for robotter på hjul at undgå forhindringer på en hurtig, effektiv og naturlig måde, når de bevæger sig i overfyldte omgivelser. Rapporteret i IEEE Robotics and Automation Letters , den nye bevægelsesplanlægger udnytter maskinlæring og kan være nyttig til robotdesinfektion, lageroptælling og bilparkering.

Robotnavigation i to dimensioner, at komme fra A til B uden at løbe ind i forhindringer, er en klassisk opgave, der er blevet løst på en række måder siden slutningen af ​​1980'erne. Nogle af problemerne med de eksisterende løsninger er, at planlæggerne tager lang tid om at etablere en vej, nogle gange undlader at gøre dette helt eller tilbyder suboptimale baner, der er for lange eller ujævne - hvad folk intuitivt omtaler som at bevæge sig "som en robot." Nogle af de eksisterende planlæggere er også kun gode til robotter, der har en rund krop eller er omnidirektionelle - kan køre i en vilkårlig retning fra stilstand.

Studiets første forfatter, Skoltech Ph.D. studerende Mikhail Kurenkov, kommenterede:"Vi har udviklet en planlægger, der arbejder med robotter, der ikke er runde og ikke omnidirektionelle, og som udkonkurrerer de konventionelle bevægelsesplanlægningstilgange, der bruger Gauss-processen og den hurtigt udforskende tilfældige træalgoritme. Vores metode bruger det, der er kendt som neuralfeltkoncept. Det er ikke blevet brugt ret meget til bevægelsesplanlægning, i hvert fald ikke i 2D, hvilket er det, vi gør."

Neurale felter er ikke ulig felterne i fysik, men i dette tilfælde er de værdier, de gemmer for hvert punkt i rummet, ting som "hvad afstanden til den nærmeste forhindring er" eller "i hvor høj grad det punkt er tomt eller optaget af forhindringer. " Førstnævnte finder anvendelser inden for grafisk design og animation, og sidstnævnte er faktisk den værdi, der bruges af den nye robot motion planner skabt hos Skoltech. En af de seneste udviklinger inden for neurale felter er at rekruttere maskinlæring og bruge neurale netværk til at parametrisere feltet. Sådan fungerer den nye planlægger.

For at teste, hvor godt det fungerer, sammenlignede forskerne deres planlægger med mere konventionelle løsninger:en Gaussisk procesbevægelsesplanlægger og en hurtigt udforskende tilfældig træalgoritme. Den neurale feltbaserede metode viste sig i sidste ende at bygge kortere og jævnere baner og kræve færre akavede sving på plads.

Testen var baseret på et åbent tilgængeligt datasæt med flere scenarier, herunder korridorer, parkeringspladser og bynet. Dette giver en forsmag på den slags robotter, der kan drage fordel af planlæggeren:For det første kan det hjælpe desinfektionsmaskiner, lagertællere og andre servicerobotter i indkøbscentre. Bymiljøscenariet foreslår også anvendelser i robotparkeringssystemer. + Udforsk yderligere

Dyb læring hjælper robotter med at gribe og flytte objekter med lethed