Дослідники розробили нову систему штучного інтелекту, що дозволяє роботам надійно відновлювати своє місце розташування навіть після переміщення, відключення харчування або іншої втрати орієнтації – поширена проблема, відома як “проблема викраденого робота”. Цей прорив, розроблений в Університеті Мігеля Ернандеса в Ельче (Іспанія), може значно підвищити практичність автономних роботів у реальних сценаріях.
Проблема “Викраденого Робота”
Протягом багатьох років однією з головних проблем у робототехніці була надійна локалізація: здатність робота точно знати, де він знаходиться. Традиційні методи часто покладаються на GPS або запрограмовані карти, які непрактичні в багатьох середовищах. Сигнали GPS погано працюють у приміщенні, поруч із високими будинками або в районах з поганим супутниковим покриттям. Попередньо запрограмовані карти вимагають постійного оновлення, що може бути складним у динамічних просторах.
Ця нова система, названа MCL-DLF (Монте-Карло Локалізація – Глибокі Локальні Особливості), пропонує альтернативу, роблячи роботів більш незалежними.
Як працює Нова Система
Система MCL-DLF використовує 3D LiDAR-технологію, яка застосовує лазерні імпульси для сканування та створення докладної карти навколишнього середовища. Це дозволяє роботу працювати без необхідності зовнішньої інфраструктури, як-от GPS або існуючі карти.
Ось як це працює поетапно:
- Загальне розпізнавання: Спочатку ІІ визначає загальну область, розпізнаючи великі об’єкти, такі як будівлі або рослинність.
- Детальний Аналіз: Потім він звужує точне місце розташування, аналізуючи дрібніші, унікальні деталі. Цей процес імітує те, як люди орієнтуються у незнайомих місцях.
- Безперервне Оновлення: Використовуючи глибоке навчання, система розставляє пріоритети для корисних елементів навколишнього середовища для локалізації та підтримує кілька можливих оцінок розташування, оновлюючи їх у міру надходження нових даних із датчиків.
За словами Міріам Максимо, провідного дослідника, “Це схоже на те, як люди спочатку розпізнають загальну область, а потім покладаються на невеликі відмінні деталі, щоб визначити своє точне розташування”.
Тестування в Реальних Умовах та Результати
Дослідники тестували систему протягом кількох місяців на території університету в різних умовах – включаючи сезонні зміни, різний рівень освітленості та мінливу рослинність. Результати показують, що MCL-DLF забезпечує більш точне позиціонування та стабільнішу продуктивність порівняно з традиційними методами. Це означає, що робот може надійно визначити своє місце розташування навіть при зміні навколишнього середовища з часом.
Чому це важливо
Наслідки є значними. Автономні роботи стають незамінними в логістиці, перевірці інфраструктури, моніторингу довкілля та безпілотних автомобілях. Система, що дозволяє цим роботам працювати незалежніше і надійно, прискорить їх використання.
Розробка більш надійних методів локалізації є ключовим чинником розкриття повного потенціалу робототехніки у реальних додатках.
Зменшуючи залежність від зовнішньої інфраструктури та адаптуючись до динамічних середовищ, система MCL-DLF є важливим кроком до створення роботів, які дійсно автономні та корисні в складних, непередбачуваних умовах.
