Naukowcy opracowali nowy system sztucznej inteligencji, który pozwala robotom niezawodnie przywracać swoją lokalizację nawet po przemieszczeniu, wyłączeniu zasilania lub innej dezorientacji — jest to powszechny problem znany jako „problem skradzionego robota”. To przełomowe rozwiązanie, opracowane na Uniwersytecie Miguela Hernandeza w Elche (Hiszpania), może znacznie poprawić praktyczność autonomicznych robotów w rzeczywistych scenariuszach.
Problem „Skradzionego robota”.
Przez wiele lat jednym z głównych problemów robotyki była niezawodna lokalizacja : zdolność robota do dokładnego określenia, gdzie się znajduje. Tradycyjne metody często opierają się na GPS lub zaprogramowanych mapach, które są niepraktyczne w wielu środowiskach. Sygnały GPS nie działają dobrze w pomieszczeniach zamkniętych, w pobliżu wysokich budynków lub na obszarach o słabym zasięgu satelitarnym. Wstępnie zaprogramowane mapy wymagają ciągłej aktualizacji, co może być trudne w dynamicznych przestrzeniach.
Ten nowy system, nazwany MCL-DLF (Lokalizacja Monte Carlo – głębokie funkcje lokalne), oferuje alternatywę w postaci zwiększenia niezależności robotów.
Jak działa nowy system
System MCL-DLF wykorzystuje technologię 3D LiDAR, która wykorzystuje impulsy laserowe do skanowania i tworzenia szczegółowej mapy otoczenia. Dzięki temu robot może działać bez konieczności korzystania z zewnętrznej infrastruktury takiej jak GPS czy istniejące mapy.
Oto jak to działa krok po kroku:
- Rozpoznawanie ogólne: AI najpierw identyfikuje ogólny obszar, rozpoznając duże obiekty, takie jak budynki lub roślinność.
- Szczegółowa analiza: Następnie zawęża dokładną lokalizację, analizując mniejsze, unikalne szczegóły. Proces ten naśladuje sposób, w jaki ludzie poruszają się po nieznanych miejscach.
- Ciągła aktualizacja: Wykorzystując głębokie uczenie się, system nadaje priorytet przydatnym elementom środowiska do lokalizacji i utrzymuje wiele możliwych szacunków lokalizacji, aktualizując je w miarę napływu nowych danych z czujników.
Według Miriam Maximo, głównej badaczki: „Jest to podobne do tego, jak ludzie najpierw rozpoznają ogólny obszar, a następnie na podstawie drobnych, charakterystycznych szczegółów określają swoją dokładną lokalizację”.
Testy i wyniki w świecie rzeczywistym
Naukowcy testowali system przez kilka miesięcy na terenie kampusu w różnych warunkach, w tym w zmianach sezonowych, różnym poziomie oświetlenia i zmieniającej się roślinności. Wyniki pokazują, że MCL-DLF umożliwia dokładniejsze pozycjonowanie i stabilniejszą pracę w porównaniu z metodami tradycyjnymi. Oznacza to, że robot może niezawodnie określić swoją lokalizację, nawet gdy otoczenie zmienia się w czasie.
Dlaczego to jest ważne
Konsekwencje są znaczące. Autonomiczne roboty stają się niezbędne w logistyce, kontroli infrastruktury, monitorowaniu środowiska i samochodach autonomicznych. System, który umożliwi tym robotom bardziej niezależne i niezawodne działanie, przyspieszy ich wdrożenie.
Opracowanie solidniejszych metod lokalizacji jest kluczem do uwolnienia pełnego potencjału robotyki w rzeczywistych zastosowaniach.
Zmniejszając zależność od infrastruktury zewnętrznej i dostosowując się do dynamicznych środowisk, system MCL-DLF stanowi ważny krok w kierunku tworzenia robotów, które są naprawdę autonomiczne i przydatne w złożonych, nieprzewidywalnych środowiskach.
