Автономные мобильные роботы уже тестируются и используются для таких приложений, как доставка посылок, наблюдение, поисково-спасательные миссии, исследование планет/космоса и мониторинг окружающей среды. Чтобы эти роботы успешно выполняли свои задачи, они должны быть в состоянии безопасно и надежно работать на пересеченной местности вне помещений, не сталкиваясь с близлежащими препятствиями.

Исследователи из Университета Мэриленда в Колледж-Парке (UMDCP) недавно разработали новый метод машинного обучения, который может повысить надежность навигации роботов на пересеченной местности и при наличии препятствий. Их исследование было представлено исследовательской группой GAMMA UMDCP на Международной конференции IEEE по робототехнике и автоматизации 2022 года.

«Мы заметили, что геометрические особенности местности, в том числе перепады высот или неровности, значительно влияют на стабильность движения робота во время навигации», — сказал TechXplore Динеш Маноча, профессор UMDCP, руководивший этим исследовательским проектом. «Следовательно, для роботов важно воспринимать эти особенности местности в окружающей среде, чтобы принимать безопасные навигационные решения».

Прежде чем Маноча и его ученики начали работать над своим методом навигации роботов, исследователи внимательно наблюдали за стратегиями передвижения людей, когда они перемещаются в сложной внешней среде. Интересно, что они заметили, что люди во время движения сосредотачиваются не на всей окружающей среде, а скорее на областях в космосе, которые они считают критическими или важными.

Метод навигации роботов, разработанный группой Маночи, был вдохновлен поведением передвижения, которое они наблюдали у людей. Этот метод, называемый TERP (планирование пути робота на основе рельефа местности), основан на разработанной ими методике глубокого обучения с подкреплением (DRL).

«Наша новая архитектура гибридного машинного обучения сочетает в себе промежуточные выходные результаты нашей сети DRL, основанной на внимании, с новым методом планирования траектории», — говорит Виракун, доктор философии. Студент, работающий над этим проектом, объяснил. «Эти промежуточные результаты помогают идентифицировать и избегать сложных или небезопасных областей в окружающей среде во время навигации. В нашем подходе используется полностью обученная сеть DRL, которая использует карты высот, позу робота и его цель в качестве входных данных для вычисления маски внимания».

Затем маска внимания, рассчитанная алгоритмом команды, направляет мобильного робота к областям окружающей среды, на которых он должен сосредоточить особое внимание для достижения стабильной навигации. В конечном счете, эта маска объединяется с входной картой высот, созданной методом, создавая двухмерную карту стоимости навигации. Затем эта карта используется для отслеживания безопасной и надежной траектории движения робота в нужное место.

«В предыдущих работах мы наблюдали значительное снижение производительности сквозных методов DRL при переходе от моделирования к реальным ландшафтам», — сказал Сатьямурти, еще один доктор наук. Студент, работающий над этим проектом, сказал. «Однако наша новая архитектура гибридного машинного обучения приводит к повышению производительности навигации».

Компонент внимания TERP может значительно улучшить пространственное восприятие робота, просто переключая его внимание на наиболее важные области для выполнения навигационной задачи. С другой стороны, компонент планировщика путевых точек в их методе гарантирует, что робот следует по наиболее рентабельной траектории для достижения пункта назначения.

«TERP генерирует относительно стабильные траектории на крутых подъемах, чтобы свести к минимуму риск переворота робота», — сказал Патель, исследователь, работающий над этим проектом. «Кроме того, он может избегать небезопасных регионов и препятствий при навигации по сложной местности со статическими и динамическими препятствиями».

Маноча и его ученики оценили свой метод в различных реальных условиях, используя робота Husky, беспилотную мобильную роботизированную систему, разработанную Clearpath Robotics. В своих испытаниях роботы перемещались по открытым пространствам с неровным рельефом, с набором высоты до 4 метров.

«Мы показали, что наша уникальная гибридная формула с сетью ДХО для восприятия и планировщиком путевых точек для навигации обеспечивает высокий уровень успешной навигации на сложной местности», — сказал Маноча. «Это означает, что наш метод значительно снижает риск переворота робота при навигации по сложной неровной местности».

По первоначальным оценкам, TERP добился замечательных результатов, предполагая, что он может значительно повысить надежность навигации роботов в сложных условиях внешней среды. В будущем его можно будет использовать для повышения производительности роботов в различных условиях, например, открывая новые возможности для планетарных и космических исследований, сельскохозяйственных исследований и комплексного мониторинга окружающей среды.

«Мы планируем улучшить нашу систему в будущем, устранив некоторые из ее текущих ограничений», — добавил Маноча. «В частности, мы заметили, что в дополнение к высоте местности такие свойства поверхности, как текстура, неровность и деформируемость, определяют управляемость робота в сложных сценариях на открытом воздухе, и мы работаем над самоконтролируемыми методами обучения для обработки таких сценариев. Мы также расширение этих методов для автономной навигации роботов с ногами, таких как робот Boston Dynamics Spot».