За последнее десятилетие робототехники разработали все более сложные роботизированные системы, которые могут помочь людям выполнять различные задачи как дома, так и в других средах. Однако, чтобы помочь пользователям, эти системы должны иметь возможность эффективно перемещаться и исследовать свое окружение, не сталкиваясь с другими объектами поблизости.
Несмотря на то, что в настоящее время существует ряд навигационных систем и методов, мобильность большинства роботов все еще довольно ограничена, особенно в неизвестных и неизведанных средах. Большинство существующих методов навигации состоит из двух основных компонентов: один предназначен для построения карты, которую робот может использовать в качестве эталона (например, методы одновременной локализации и картирования), и другой, который генерирует оптимальные пути для робота без столкновений (например, вероятностные дорожные карты или быстро исследуя случайные деревья).
Хотя некоторые из этих методов дали многообещающие результаты, они, как правило, очень чувствительны к шуму, регистрируемому датчиками робота. В результате они часто сильно полагаются на карты и плохо работают в динамичных или быстро меняющихся средах. Подходы к навигации на основе глубокого обучения, которые не основываются на картах, в конечном итоге могут помочь преодолеть ограничения этих систем.
Исследователи из Нанкинского университета аэронавтики и астронавтики и Национального университета оборонных технологий Китая недавно разработали новую систему, которая может обеспечить более эффективную навигацию роботов в помещениях. Вместо того, чтобы полагаться на заранее определенные карты, эта система использует обучающий подход, известный как генеративное имитационное обучение, позволяющий роботам перемещаться по окружающей среде и достигать своих целей.
«Наш метод использует многовидовое наблюдение за роботом и целью в качестве входных данных на каждом временном шаге, чтобы обеспечить последовательность действий, которые перемещают робота к цели, не полагаясь на одометрию или GPS во время выполнения», — написали исследователи в своей статье. .
Система навигации, разработанная исследователями, состоит из трех ключевых компонентов. Первый — это вариационный генеративный модуль, обученный на демонстрациях человека, который предназначен для прогнозирования изменений в окружающей среде до того, как робот начнет планировать свои действия.
Второй компонент прогнозирует статические столкновения, повышая безопасность навигации робота. Наконец, модуль проверки цели рассматривает конечное действие или цель, которую пытается достичь робот, используя эту информацию для разработки более эффективных политик навигации.
«Все три предложенных дизайна способствуют повышению эффективности обучающих данных, предотвращению статических столкновений и производительности обобщения навигации, что приводит к созданию новой системы навигации без карты, управляемой целями», — пояснили исследователи в своей статье.
В будущем новая система, представленная исследовательской группой Нанкинского университета аэронавтики и астронавтики и Национального университета оборонных технологий, может быть использована для улучшения навигации других роботов, предназначенных для работы в домах людей, в офисах или в других помещениях. . Более того, результаты, достигнутые системой, могут вдохновить других исследователей на создание аналогичных инструментов для обеспечения более эффективной навигации по целям в роботах.
До сих пор навигационная система оценивалась в серии реальных экспериментов с использованием Turtlebot, недорогой роботизированной платформы, созданной двумя инженерами Willow Garage. Результаты этих испытаний являются многообещающими, поскольку система была легко интегрирована в робота и позволила ему более эффективно ориентироваться в помещениях.