Onderzoekers van de Universiteit van Porto in Portugal en KTH Royal Institute of Technology in Zweden hebben onlangs een raamwerk ontwikkeld dat de diepte en relatieve houding kan schatten van twee grondrobots die samenwerken aan een bepaalde taak. Hun kader, geschetst in een paper dat vooraf is gepubliceerd op arXiv, zou kunnen helpen om de prestaties van meerdere robots te verbeteren bij taken waarbij exploratie betrokken is, manipulatie, Dekking, bemonsteren en patrouilleren, evenals in zoek- en reddingsmissies.

In recente jaren, onderzoekers hebben een groeiend aantal onderzoeken uitgevoerd om oplossingen te ontwikkelen om meerdere robots effectief te coördineren binnen een gedecentraliseerde architectuur. Om een ​​bepaalde taak als groep effectief aan te pakken, individuele robots binnen een zwerm of formatie moeten zich op zijn minst gedeeltelijk bewust zijn van de houding van andere agenten in hun omgeving.

Deze pose-gerelateerde gegevens, bekend als relatieve pose-informatie, stelt een agent in staat om de functie van een bepaald doel te optimaliseren, herplan zijn trajecten en vermijd botsingen met andere robots. In sommige real-world instellingen, echter, het kan voor agenten moeilijk zijn om nauwkeurige schattingen van de relatieve pose te maken. Bijvoorbeeld, tijdens extreme missies in afgelegen of afgelegen gebieden, robots kunnen problemen ondervinden met communicatiekanalen en met zeer nauwkeurige positionerings- of motion capture-systemen.

Met dit in gedachten, het team van onderzoekers van de Universiteit van Porto en KTH wilde een raamwerk ontwikkelen dat de 3D-diepteschatting en relatieve pose-schatting van grondrobots die samenwerken aan een gemeenschappelijk doel zou kunnen verbeteren. Ze richtten zich specifiek op een scenario waarbij twee autonome grondvoertuigen door een onbekende omgeving navigeren, beide uitgerust met perspectiefcamera's.

"Het diepteschattingsprobleem is gericht op het herstellen van de 3D-informatie van de omgeving, " leggen de onderzoekers uit in hun paper. "Het relatieve lokalisatieprobleem bestaat uit het schatten van de relatieve houding tussen twee robots, door elkaars pose te voelen of informatie te delen over de waargenomen omgeving."

De meeste bestaande oplossingen voor diepteschatting en relatieve lokalisatie in robots werken door het analyseren van een niet-verbonden set gegevens, zonder rekening te houden met de chronologische volgorde van de gebeurtenissen. De door de onderzoekers voorgestelde aanpak, anderzijds, beschouwt informatie die door de twee robots afzonderlijk via hun camera's is verzameld en combineert dit vervolgens om de relatieve houding tussen hen te berekenen. Diepteschattingsinformatie verzameld door de twee agenten en invoercommando's worden toegevoerd aan een Extended Kalman Filter (EKF), die is ontworpen om deze gegevens te verwerken en de relatieve houding tussen de robots te schatten.

"Terwijl eerdere oplossingen voor dit probleem een ​​set van twee of meer afbeeldingen uit de omgeving overwegen of een speciale vlootconfiguratie gebruiken (bijv. De robots bevinden zich in elkaars gezichtsveld of hebben het vermogen om de peilingsinformatie over elkaars posities), we stellen een raamwerk voor dat een reeks gemeenschappelijke observaties van de omgeving deelt in het respectievelijke lokale frame van elke robot (3D-puntkenmerken worden gebruikt), ', schrijven de onderzoekers.

De onderzoekers evalueerden hun raamwerk in een reeks gesimuleerde scenario's, met behulp van twee grondrobots genaamd TurtleBots. Hun bevindingen suggereren dat hun aanpak in feite effectieve diepteschatting en relatieve lokalisatie mogelijk maakt voor twee robots die samenwerken aan een taak. In hun toekomstige werk, de onderzoekers zijn van plan om ook de actieve besturing van twee robots te overwegen in hetzelfde scenario dat in hun recente studie is onderzocht, evenals andere aspecten die relevant zijn voor hun coördinatie.

© 2019 Wetenschap X Netwerk