Onderzoekers van Skoltech hebben een methode ontwikkeld waarmee robots op wielen op een snelle, efficiënte en natuurlijke manier obstakels kunnen ontwijken wanneer ze zich verplaatsen in een drukke omgeving. Gerapporteerd in IEEE Robotics and Automation Letters , maakt de nieuwe bewegingsplanner gebruik van machine learning en kan nuttig zijn voor robotdesinfectie, inventaristelling en parkeren.

Robotnavigatie in twee dimensies, van A naar B komen zonder obstakels tegen te komen, is een klassieke taak die sinds eind jaren tachtig op een aantal manieren is opgelost. Sommige van de problemen met de bestaande oplossingen zijn dat de planners veel tijd nodig hebben om een ​​pad vast te stellen, dit soms helemaal niet doen, of suboptimale trajecten aanbieden die te lang of niet soepel zijn - wat mensen intuïtief aanduiden als bewegen "als een robot." Sommige van de bestaande planners zijn ook alleen geschikt voor robots met een rond lichaam of die omnidirectioneel zijn - die vanuit stilstand in een willekeurige richting kunnen rijden.

De eerste auteur van de studie, Skoltech Ph.D. student Mikhail Kurenkov, merkte op:"We hebben een planner ontwikkeld die werkt met robots die niet rond en niet omnidirectioneel zijn en beter presteert dan de conventionele benaderingen voor bewegingsplanning die het Gauss-proces en het snel verkennende willekeurige boomalgoritme gebruiken. Onze methode maakt gebruik van wat bekend staat als de neuraal veldconcept. Het is niet veel toegepast op bewegingsplanning, althans niet in 2D, wat we aan het doen zijn."

Neurale velden zijn niet anders dan de velden in de natuurkunde, maar in dit geval zijn de waarden die ze voor elk punt in de ruimte opslaan dingen als "wat de afstand tot het dichtstbijzijnde obstakel is" of "in hoeverre dat punt leeg is of bezet door obstakels. " De eerste vindt toepassingen in grafisch ontwerp en animatie, en de laatste is eigenlijk de waarde die wordt gebruikt door de nieuwe robotbewegingsplanner die bij Skoltech is gemaakt. Een van de recente ontwikkelingen in neurale velden is het inschakelen van machine learning en het gebruik van neurale netwerken om het veld te parametreren. Zo werkt de nieuwe planner.

Om te testen hoe goed het presteert, vergeleken de onderzoekers hun planner met meer conventionele oplossingen:een Gaussiaanse procesbewegingsplanner en een snel verkennend willekeurig boomalgoritme. De op neurale velden gebaseerde methode bleek uiteindelijk kortere en soepelere trajecten te bouwen en vereist minder lastige bochten op zijn plaats.

De test was gebaseerd op een open beschikbare dataset met meerdere scenario's, waaronder gangen, parkeerplaatsen en stadsrasters. Dit geeft een voorproefje van het soort robots dat baat zou kunnen hebben bij de planner:ten eerste zou het desinfectiemachines, voorraadtellers en andere servicerobots in winkelcentra kunnen helpen. Het scenario stedelijke omgeving suggereert ook toepassingen in robotparkeersystemen. + Verder verkennen

Deep learning helpt robots om objecten gemakkelijk vast te pakken en te verplaatsen