Onderzoekers hebben een nieuw systeem voor kunstmatige intelligentie ontwikkeld waarmee robots op betrouwbare wijze hun positie kunnen herwinnen, zelfs nadat ze zijn verplaatst, uitgeschakeld of anderszins zijn verplaatst – een veelvoorkomend probleem dat bekend staat als het ‘gekidnapte robot’-probleem. De doorbraak, ontwikkeld aan de Miguel Hernández Universiteit van Elche in Spanje, zou de bruikbaarheid van autonome robots in praktijkscenario’s aanzienlijk kunnen verbeteren.
De ‘ontvoerde robot’-uitdaging
Jarenlang was een van de grootste hindernissen in de robotica betrouwbare lokalisatie : het vermogen van een robot om precies te weten waar hij zich bevindt. Traditionele methoden zijn vaak afhankelijk van GPS of voorgeprogrammeerde kaarten, die in veel omgevingen onpraktisch zijn. GPS-signalen hebben moeite binnenshuis, in de buurt van hoge gebouwen of in gebieden met een slechte satellietdekking. Voorgeprogrammeerde kaarten vereisen constante updates, wat moeilijk kan zijn in dynamische ruimtes.
Dit nieuwe systeem, genaamd MCL-DLF (Monte Carlo Localization – Deep Local Feature), biedt een alternatief door robots zelfredzamer te maken.
Hoe het nieuwe systeem werkt
Het MCL-DLF-systeem maakt gebruik van 3D LiDAR-technologie, waarbij laserpulsen worden gebruikt om de omgeving te scannen en een gedetailleerde kaart te maken. Hierdoor kan de robot werken zonder dat er externe infrastructuur zoals GPS of reeds bestaande kaarten nodig is.
Zo werkt het in fasen:
- Brede herkenning: Ten eerste identificeert de AI het algemene gebied door grote elementen zoals gebouwen of vegetatie te herkennen.
- Gedetailleerde analyse: Vervolgens wordt de exacte locatie beperkt door kleinere, unieke details te analyseren. Het proces bootst na hoe mensen hun weg vinden op onbekende plaatsen.
- Continue updates: Met behulp van deep learning geeft het systeem prioriteit aan nuttige omgevingskenmerken voor lokalisatie en onderhoudt het meerdere mogelijke locatieschattingen, die worden bijgewerkt zodra er nieuwe sensorgegevens binnenkomen.
Volgens Míriam Máximo, de hoofdonderzoeker: “Dit is vergelijkbaar met hoe mensen eerst een algemeen gebied herkennen en vervolgens vertrouwen op kleine onderscheidende details om hun precieze locatie te bepalen.”
Testen en resultaten in de echte wereld
Onderzoekers testten het systeem maandenlang op de universiteitscampus, onder wisselende omstandigheden – inclusief seizoensveranderingen, verschillende verlichtingsniveaus en verschuivende vegetatie. De resultaten laten zien dat MCL-DLF een sterkere positioneringsnauwkeurigheid en consistentere prestaties biedt in vergelijking met traditionele methoden. Dit betekent dat de robot zichzelf betrouwbaar kan lokaliseren, zelfs als de omgeving in de loop van de tijd verandert.
Waarom dit belangrijk is
De gevolgen zijn aanzienlijk. Autonome robots worden essentieel in de logistiek, infrastructuurinspectie, milieumonitoring en zelfrijdende voertuigen. Een systeem waarmee deze robots onafhankelijker en betrouwbaarder kunnen opereren, zal de acceptatie ervan versnellen.
De ontwikkeling van betrouwbaardere lokalisatiemethoden is de sleutel tot het ontsluiten van het volledige potentieel van robotica in toepassingen in de echte wereld.
Door de afhankelijkheid van externe infrastructuur te verminderen en zich aan te passen aan dynamische omgevingen, vertegenwoordigt het MCL-DLF-systeem een belangrijke stap in de richting van het echt autonoom en bruikbaar maken van robots in complexe, onvoorspelbare omgevingen.
