Исследователи из Сколтеха представили метод, который поможет роботам объезжать препятствия в людных местах быстро, эффективно и без лишних «неестественных» движений. Разработка использует технологии машинного обучения и предназначается для роботов-дезинфекторов, инвентаризаторов и парковщиков.
Роботов научат объезжать препятствия быстрее и аккуратнее / ©Getty images
Исследование опубликовано в журнале IEEE Robotics and Automation Letters. Навигация роботов в двух измерениях — это классическая задача попасть из точки А в Б, не столкнувшись с препятствием. С конца 1980-х годов найдено немало решений — планнеров, но есть недостатки: они долго простраивают траекторию, иногда вовсе не могут этого сделать, или траектория выходит несовершенной, например слишком длинной или угловатой — что называется «как у робота». Кроме того, некоторые существующие планнеры хорошо подходят только для роботов с круглым корпусом и омниколесных, то есть способных ехать с места в любую сторону.
Первый автор исследования, аспирант Сколтеха Михаил Куренков прокомментировал результаты работы: «Мы создали планнер, который работает в том числе с некруглыми и не омниколесными роботами и превосходит стандартные решения по планированию движения на основе гауссовского процесса (GPMP) или алгоритма быстрого исследования рандомизированных деревьев. В центре нашего метода — понятие нейронного поля, которое до сих пор мало применялось в планировании движения, по крайней мере в случае на плоскости, то есть как у нас в работе».
Нейронные поля — это как поля в физике, только в данном случае та величина, которая задана в каждой точке пространства, — это, например, расстояние до ближайшего препятствия или «занятость» этой точки препятствиями. Первый пример соответствует некоторым применениям в графическом дизайне и мультипликации, а второй — новому планнеру для роботов, который представили ученые из Сколтеха. Не так давно в области нейронных полей для параметризации поля стали использовать нейросети, и этот новый подход тоже задействован в новом планнере.
Чтобы проверить качество работы планнера, ученые сопоставили его с решениями на базе GPMP и быстрых деревьев. Оказалось, что метод на основе нейронных полей строит более короткие и плавные траектории с меньшим количеством неудобных поворотов на месте.
Для проверки использовался публично доступный датасет с несколькими сценариями, в том числе коридорами, парковками и городскими кварталами. Этот набор дает представление о том, в каких роботах планнер применим — вероятно, это могли бы быть работающие в торговых центрах дезинфекторы и инвентаризаторы или парковщики.
