По мере того, как мобильные роботы становятся все более совершенными, их также становится легче развертывать в широком диапазоне реальных условий. Одним из факторов, который сделает возможным их крупномасштабное внедрение, является их способность автономно перемещаться в различных типах сред.
До сих пор многие мобильные роботы добились многообещающих результатов в навигации по простым средам, особенно с ровным полом или рельефом . Однако в реальном мире многие среды, в том числе промышленные предприятия, некоторые дороги и природные объекты , имеют неровный рельеф с ямами или неровностями в земле, беспорядком и другими препятствиями.
Исследователи из Российской академии наук и Национального исследовательского университета «Высшая школа экономики» в Москве недавно разработали новую навигационную систему, которая может улучшить способность мобильных роботов передвигаться по неровным поверхностям , а также избегать различных типов препятствий. Эта система, представленная в документе, предварительно опубликованном на arXiv, может помочь облегчить развертывание роботов в более сложных и загроможденных средах с неровным ландшафтом.
«Безопасная навигация по пересеченной местности — важная проблема робототехнических исследований», — написали в своей статье Степан Дергачев, Кирилл Муравьев и Константин Яковлев. «Мы предлагаем 2,5-мерную навигационную систему, которая включает в себя построение карты высот, планирование пути и следование по локальному пути с обходом препятствий. Для следования по локальному пути мы используем метод управления интегралом пути с предсказанием модели (MPPI)».
Система навигации роботов , предложенная Дергачевым и его коллегами, основана на MPPI, алгоритме оптимизации и коррекции нелинейных путей, представленном исследователями Технологического института Джорджии в 2016 году. Для целей своего исследования команда адаптировала этот алгоритм. чтобы он подходил для оптимизации путей в средах с неровным рельефом с использованием карт высот 2,5D.
«Мы используем локальную карту высот в качестве входных данных для алгоритма MPPI», — объяснили Дергачев и его коллеги в своей статье. «MPPI руководствуется значениями проходимости местности, вычисленными по этой карте высот. Эти значения проходимости вычисляются на основе крутизны склона, шероховатости поверхности и других параметров».
Дергачев и его коллеги оценили свою навигационную систему в серии тестов в смоделированных средах с использованием трех разных карт высот. В этих тестах роботы должны были добраться до определенного места, преодолевая или обходя три различных препятствия на своем пути, а именно усеченный конус, пандус и несколько ям.
Смоделированные среды, используемые в этих тестах, были созданы с помощью симулятора Gazebo и характеризовались различными препятствиями и типами неровной местности. Исследователи проверили эффективность своей системы в этих условиях, используя модель четырехколесного робота с дифференциальным приводом.
Дергачев и его коллеги обнаружили, что их система работала на удивление хорошо в своих симуляциях: робот успешно обходил препятствия и перемещался по неровной местности почти в 100% случаев. Однако, чтобы подтвердить его потенциал, команде в конечном итоге также потребуется протестировать его в реальных условиях с использованием физического робота.
Если система также хорошо работает в реальной среде, ее можно будет в конечном итоге адаптировать и использовать в дальнейших исследованиях. В конечном счете, это могло бы способствовать развитию мобильных роботов , которые лучше ориентируются в средах с неровной местностью.
«В будущем мы планируем создать более эффективную реализацию алгоритма MPPI за счет распараллеливания вычислений с использованием наборов инструментов CUDA/OpenCL», — заключили исследователи в своей статье. «Еще одной областью будущей работы будет повышение надежности MPPI и ее адаптация к более широкому классу динамических систем».
