Výzkumníci vyvinuli nový systém umělé inteligence, který robotům umožňuje spolehlivě obnovit svou polohu i poté, co byli přemístěni, vypnuti nebo jinak dezorientováni – což je běžný problém známý jako „problém ukradených robotů“. Tento průlom, vyvinutý na univerzitě Miguela Hernandeze v Elche (Španělsko), by mohl výrazně zlepšit praktičnost autonomních robotů v reálných scénářích.
Problém “Ukradený robot”.
Po mnoho let je jedním z hlavních problémů robotiky robustní lokalizace : schopnost robota přesně vědět, kde se nachází. Tradiční metody často spoléhají na GPS nebo předprogramované mapy, které jsou v mnoha prostředích nepraktické. Signály GPS nefungují dobře uvnitř budov, v blízkosti vysokých budov nebo v oblastech se špatným satelitním pokrytím. Předprogramované mapy vyžadují neustálou aktualizaci, což může být v dynamických prostorech obtížné.
Tento nový systém, nazvaný MCL-DLF (Monte Carlo Localization – Deep Local Features), nabízí alternativu tím, že roboty činí nezávislejšími.
Jak nový systém funguje
Systém MCL-DLF využívá technologii 3D LiDAR, která pomocí laserových pulsů skenuje a vytváří detailní mapu prostředí. To umožňuje robotu pracovat bez potřeby externí infrastruktury, jako je GPS nebo existující mapy.
Krok za krokem to funguje takto:
- Obecné rozpoznávání: Umělá inteligence nejprve identifikuje obecnou oblast a rozpozná velké objekty, jako jsou budovy nebo vegetace.
- Podrobná analýza: Poté zužuje přesné umístění analýzou menších, jedinečných detailů. Tento proces napodobuje, jak se lidé pohybují na neznámých místech.
- Nepřetržitá aktualizace: Pomocí hlubokého učení systém upřednostňuje užitečné prvky prostředí pro lokalizaci a udržuje několik možných odhadů polohy a aktualizuje je, když přicházejí nová data ze senzorů.
Podle Miriam Maximo, vedoucí výzkumnice: “Je to podobné, jako když lidé nejprve poznají obecnou oblast a pak se spoléhají na malé, výrazné detaily, aby určili svou přesnou polohu.”
Testování a výsledky v reálném světě
Výzkumníci testovali systém během několika měsíců na akademické půdě za různých podmínek – včetně sezónních změn, různých úrovní osvětlení a měnící se vegetace. Výsledky ukazují, že MCL-DLF dosahuje přesnějšího polohování a stabilnějšího výkonu ve srovnání s tradičními metodami. To znamená, že robot dokáže spolehlivě určit svou polohu, i když se prostředí v průběhu času mění.
Proč je to důležité
Následky jsou značné. Autonomní roboti se stávají nezbytnými v logistice, kontrole infrastruktury, monitorování životního prostředí a samořídících automobilech. Systém, který těmto robotům umožní pracovat nezávisleji a spolehlivěji, urychlí jejich přijetí.
Vývoj robustnějších metod lokalizace je klíčem k využití plného potenciálu robotiky v aplikacích v reálném světě.
Snížením závislosti na externí infrastruktuře a přizpůsobením se dynamickým prostředím představuje systém MCL-DLF důležitý krok k vytvoření robotů, kteří jsou skutečně autonomní a užiteční ve složitých, nepředvídatelných prostředích.
