Onderzoekers van UC Berkeley en Facebook AI Research hebben onlangs een nieuwe aanpak ontwikkeld voor robotnavigatie in onbekende omgevingen. Hun aanpak, gepresenteerd in een paper dat vooraf is gepubliceerd op arXiv, combineert modelgebaseerde besturingstechnieken met op leren gebaseerde perceptie.

De ontwikkeling van tools waarmee robots door de omgeving kunnen navigeren, is een belangrijke en voortdurende uitdaging op het gebied van robotica. In de afgelopen decennia, onderzoekers hebben geprobeerd dit probleem op verschillende manieren aan te pakken.

De controleonderzoeksgemeenschap heeft voornamelijk onderzoek gedaan naar navigatie voor een bekende agent (of systeem) binnen een bekende omgeving. In deze gevallen, een dynamisch model van de agent en een geometrische kaart van de omgeving waarin hij zal navigeren beschikbaar zijn, vandaar dat optimale controleschema's kunnen worden gebruikt om soepele en botsingsvrije trajecten te verkrijgen voor de robot om een ​​gewenste locatie te bereiken.

Deze schema's worden doorgaans gebruikt om een ​​aantal echte fysieke systemen te besturen, zoals vliegtuigen of industriële robots. Echter, deze benaderingen zijn enigszins beperkt, omdat ze expliciete kennis vereisen van de omgeving waarin een systeem zal navigeren. In de lerende onderzoeksgemeenschap, anderzijds, robotnavigatie wordt over het algemeen bestudeerd voor een onbekende agent die een onbekende omgeving verkent. Dit betekent dat een systeem beleid verwerft om de sensormetingen aan boord rechtstreeks in kaart te brengen voor het besturen van opdrachten op een end-to-end manier.

Deze benaderingen kunnen verschillende voordelen hebben, omdat ze het mogelijk maken om beleid te leren zonder enige kennis van het systeem en de omgeving waarin het zal navigeren. Niettemin, eerdere studies suggereren dat deze technieken niet goed generaliseren over verschillende middelen. In aanvulling, het leren van dergelijk beleid vereist vaak een groot aantal trainingsvoorbeelden.

"In deze krant, we bestuderen robotnavigatie in statische omgevingen onder de aanname van perfecte robottoestandmeting, " schreven de onderzoekers in hun paper. "We maken de cruciale opmerking dat de meeste interessante problemen een bekend systeem in een onbekende omgeving betreffen. Deze observatie motiveert het ontwerp van een gefactoriseerde benadering die leren gebruikt om onbekende omgevingen aan te pakken en optimale controle gebruikt met behulp van bekende systeemdynamiek om soepele voortbeweging te produceren."

Het team van onderzoekers van UC Berkeley en Facebook heeft een op convolutioneel neuraal netwerk (CNN) gebaseerd model getraind op beleid op hoog niveau, die huidige RGB-beeldwaarnemingen gebruiken om een ​​reeks tussentoestanden te produceren, of 'waypoints'. Deze waypoints leiden een robot uiteindelijk naar de gewenste locatie langs een botsingsvrij pad, in voorheen onbekende omgevingen.

Hun aanpak, nagesynchroniseerde op waypoints gebaseerde navigatie (WayPtNav), koppelt in wezen modelgebaseerde controletechnieken aan op leren gebaseerde perceptie. De op leren gebaseerde waarnemingsmodule genereert waypoints, die de robot via een botsingsvrij pad naar zijn doellocatie leiden. De modelgebaseerde planner, anderzijds, gebruikt deze waypoints om een ​​soepel en dynamisch haalbaar traject te genereren, die vervolgens op het systeem wordt uitgevoerd met behulp van feedbackregeling.

De onderzoekers evalueerden hun aanpak op een hardware-testbed, genaamd TurtleBot2. Hun tests leverden veelbelovende resultaten op, met WayPtNav voor navigatie in onoverzichtelijke en dynamische omgevingen, terwijl het ook beter presteert dan een end-to-end leerbenadering.

"Onze experimenten in gesimuleerde real-world rommelige omgevingen en op een echt grondvoertuig tonen aan dat de voorgestelde aanpak doellocaties betrouwbaarder en efficiënter kan bereiken in nieuwe omgevingen in vergelijking met een puur end-to-end, op leren gebaseerd alternatief, ’ schreven de onderzoekers.

De nieuwe benadering die door dit team van onderzoekers wordt gepresenteerd, zou de robotnavigatie in nieuwe binnenomgevingen kunnen verbeteren. Toekomstige studies zouden kunnen proberen WayPtNav verder te verbeteren, enkele van de huidige beperkingen aan te pakken.

"Onze voorgestelde aanpak gaat uit van een perfecte schatting van de robotstatus en maakt gebruik van een puur reactief beleid, " legden de onderzoekers uit. "Deze aannames en keuzes zijn misschien niet optimaal, vooral voor langeafstandstaken. Het opnemen van ruimtelijk of visueel geheugen om deze beperkingen aan te pakken, zou een vruchtbare toekomstige richting zijn."

© 2019 Wetenschap X Netwerk