Хотя большинство роботов изначально тестируются в лабораторных условиях и других контролируемых средах, они предназначены для использования в реальных условиях, помогая людям решать различные проблемы. Навигация в реальной среде влечет за собой работу с высоким уровнем неопределенности и непредсказуемости, особенно когда роботы выполняют миссии в команде.
В последние годы ученые-компьютерщики пытаются разработать основы и модели, которые могли бы улучшить способность роботов эффективно решать проблемы за пределами лабораторных условий, где они с большей вероятностью столкнутся с непредвиденными проблемами. Эти вычислительные инструменты могут в конечном итоге способствовать широкому распространению роботов, повышая их способность успешно выполнять миссии.
Исследовательская группа из Университета Джонса Хопкинса недавно представила новую структуру, предназначенную для планирования действий роботов в команде с учетом неопределенности, в которой они работают. Предлагаемый ими подход, представленный в статье , предварительно опубликованной на arXiv, основан на вычислительном методе , впервые представленном в одной из их предыдущих работ .
«Планирование в условиях неопределенности — фундаментальная проблема в робототехнике», — написали в своей статье Кора А. Диммиг, Кевин С. Вулф и их коллеги. «Для команд, состоящих из нескольких роботов , проблема еще больше усугубляется, поскольку проблема планирования может быстро стать вычислительно неразрешимой по мере увеличения количества роботов. Мы предлагаем новый подход к планированию в условиях неопределенности с использованием гетерогенных команд, состоящих из нескольких роботов».
Подход, предложенный Диммигом, Вулфом и их коллегами, применим к сценариям, в которых разные роботы в команде могут выполнять разные роли, поскольку все роботы коллективно работают над выполнением общей миссии на открытом воздухе. По сути, команда представила идею о том, что некоторые роботы, которые движутся с более высокими скоростями, могут выступать в качестве разведчиков во время конкретной миссии в реальном мире , патрулируя неизвестные или неопределенные географические регионы впереди, чтобы выявить потенциальные проблемы и лучше планировать действия всех остальных роботов.
«Это позволяет исследовать как планирование минимизации риска, связанного с неопределенностью предлагаемых путей, так и планирование минимизации общей неопределенности в окружающей среде», — объяснили исследователи в своей статье.
Метод планирования действий команд роботов, предложенный Диммигом, Вулфом и их коллегами, опирается на два основных подхода к программированию, а именно создание динамического топологического графа и так называемое смешанно-целочисленное программирование. Подход команды предполагает использование двух разных типов роботов. Перед первым типом стоит задача выполнения миссий, а второй исследует окружающую среду для сбора данных и уменьшения неопределенности, облегчая выполнение задачи.
На данный момент исследователи оценили свой подход с помощью вычислений на различных возможных сценариях, которые могут внести неопределенность во время реальных миссий. Их результаты были многообещающими, предполагая, что предложенный ими метод может помочь улучшить производительность команд роботов при выполнении задач, которые содержат различную степень неопределенности.
«Мы тестируем наш подход в ряде репрезентативных сценариев, в которых команда роботов должна перемещаться по окружающей среде, сводя при этом к минимуму обнаружение при наличии неопределенных позиций наблюдателей», — пишут исследователи. «Мы демонстрируем, что наш подход достаточно вычислительно доступен для перепланирования в реальном времени в меняющихся условиях, может повысить производительность при наличии несовершенной информации и может быть скорректирован для учета различных профилей рисков».
В будущем новый подход, разработанный Диммигом, Вулфом и их сотрудниками, может быть дополнительно протестирован с использованием как симулированных, так и физических роботов для проверки его потенциала. Кроме того, эта недавняя работа может вдохновить другие исследовательские группы на разработку аналогичных методов повышения производительности роботов в сложных реальных условиях, что в конечном итоге облегчит их крупномасштабное внедрение.