Om de taken aan te pakken waarvoor ze zijn ontworpen, mobiele robots moeten in staat zijn om efficiënt door de echte wereld te navigeren, het vermijden van mensen of andere obstakels in hun omgeving. Hoewel statische objecten doorgaans vrij eenvoudig zijn voor robots om te detecteren en te omzeilen, het vermijden van mensen kan een grotere uitdaging zijn, omdat het inhoudt dat ze hun toekomstige bewegingen moeten voorspellen en dienovereenkomstig plannen.

Onderzoekers van de Universiteit van Californië, Berkeley, hebben onlangs een nieuw raamwerk ontwikkeld dat robotnavigatie bij mensen in binnenomgevingen zoals kantoren, huizen of musea. hun voorbeeld, gepresenteerd in een paper dat vooraf is gepubliceerd op arXiv, werd getraind op een nieuw samengestelde dataset van fotorealistische afbeeldingen genaamd HumANav.

"We stellen een nieuw raamwerk voor voor navigatie rond mensen dat op leren gebaseerde waarneming combineert met op modellen gebaseerde optimale controle, ’ schreven de onderzoekers in hun paper.

Het nieuwe raamwerk dat deze onderzoekers ontwikkelden, genaamd LB-WayPtNav-DH, heeft drie belangrijke componenten:een perceptie, een planning, en een regelmodule. De waarnemingsmodule is gebaseerd op een convolutioneel neuraal netwerk (CNN) dat is getraind om de visuele invoer van de robot in een waypoint (d.w.z. de volgende gewenste toestand) met behulp van begeleid leren.

Het door de CNN in kaart gebrachte waypoint wordt vervolgens naar de planning- en controlemodules van het framework gevoerd. gecombineerd, deze twee modules zorgen ervoor dat de robot veilig naar zijn doellocatie beweegt, obstakels en mensen in de omgeving te vermijden.

De onderzoekers trainden hun CNN op afbeeldingen die zijn opgenomen in een dataset die ze hebben samengesteld, genaamd HumANav. HumANav bevat fotorealistische, gerenderde beelden van gesimuleerde bouwomgevingen waarin mensen zich verplaatsen, aangepast van een andere dataset genaamd SURREAL. Deze afbeeldingen beelden 6000 wandelende, getextureerde menselijke mazen, gerangschikt op lichaamsvorm, geslacht en snelheid.

"Het voorgestelde raamwerk leert te anticiperen op en te reageren op bewegingen van mensen, alleen gebaseerd op een monoculair RGB-beeld, zonder expliciet toekomstige menselijke bewegingen te voorspellen, ’ schreven de onderzoekers in hun paper.

De onderzoekers evalueerden LB-WayPtNav-DH in een reeks experimenten, zowel in simulaties als in de echte wereld. In praktijkexperimenten, ze pasten het toe op Turtlebot 2, een goedkope mobiele robot met open source software. De onderzoekers melden dat het robotnavigatieraamwerk goed generaliseert naar onzichtbare gebouwen, effectief mensen omzeilen, zowel in gesimuleerde als in de echte wereld.

"Onze experimenten tonen aan dat het combineren van op modellen gebaseerde controle en leren leidt tot beter en data-efficiënter navigatiegedrag in vergelijking met een puur op leren gebaseerde benadering, ’ schreven de onderzoekers in hun paper.

Het nieuwe raamwerk zou uiteindelijk kunnen worden toegepast op een verscheidenheid aan mobiele robots, hun navigatie in binnenomgevingen te verbeteren. Tot dusver, hun aanpak blijkt opmerkelijk goed te presteren, het overbrengen van beleid ontwikkeld in simulatie naar real-world omgevingen.

In hun toekomstige studies, de onderzoekers zijn van plan hun raamwerk te trainen op afbeeldingen van complexere of drukke omgevingen. In aanvulling, ze willen de trainingsdataset die ze hebben samengesteld uitbreiden, inclusief een meer diverse reeks afbeeldingen.

© 2020 Wetenschap X Netwerk