Os pesquisadores da Skoltech desenvolveram um método para permitir que robôs com rodas evitem obstáculos de maneira rápida, eficiente e natural ao se mover em um ambiente lotado. Relatado em Cartas de Robótica e Automação do IEEE , o novo planejador de movimento aproveita o aprendizado de máquina e pode ser útil para desinfecção robótica, contagem de estoque e estacionamento.
A navegação robótica em duas dimensões, indo de A a B sem encontrar obstáculos, é uma tarefa clássica que foi resolvida de várias maneiras desde o final da década de 1980. Alguns dos problemas com as soluções existentes são que os planejadores levam muito tempo para estabelecer um caminho, às vezes não conseguem fazer isso completamente, ou oferecem trajetórias abaixo do ideal que são muito longas ou não suaves – o que as pessoas intuitivamente chamam de movimento “como um robô." Além disso, alguns dos planejadores existentes são bons apenas para robôs que têm um corpo redondo ou são omnidirecionais – podem dirigir em uma direção arbitrária a partir de um impasse.

O primeiro autor do estudo, Skoltech Ph.D. estudante Mikhail Kurenkov, comentou:"Desenvolvemos um planejador que trabalha com robôs que não são redondos e nem omnidirecionais e supera as abordagens convencionais de planejamento de movimento que usam o processo gaussiano e o algoritmo de árvore aleatória de exploração rápida. Nosso método usa o que é conhecido como o conceito de campo neural. Não tem sido muito aplicado ao planejamento de movimento, pelo menos não em 2D, que é o que estamos fazendo."

Os campos neurais não são diferentes dos campos da física, mas neste caso os valores que eles armazenam para cada ponto no espaço são coisas como "qual é a distância até o obstáculo mais próximo" ou "até que ponto esse ponto está vazio ou ocupado por obstáculos. " O primeiro encontra aplicações em design gráfico e animação, e o último é, na verdade, o valor usado pelo novo planejador de movimento de robôs criado na Skoltech. Um dos desenvolvimentos recentes em campos neurais é o uso de aprendizado de máquina e o uso de redes neurais para parametrizar o campo. É assim que o novo planejador funciona.

Para testar o desempenho, os pesquisadores compararam seu planejador com soluções mais convencionais:um planejador de movimento de processo gaussiano e um algoritmo de árvore aleatória de exploração rápida. O método baseado em campo neural provou construir trajetórias mais curtas e suaves e requer menos curvas desajeitadas no local.

O teste contou com um conjunto de dados disponível abertamente com vários cenários, incluindo corredores, estacionamentos e redes urbanas. Isso dá uma amostra do tipo de robôs que podem se beneficiar do planejador:por um lado, pode ajudar desinfetantes, contadores de estoque e outros robôs de serviço em shoppings. O cenário do ambiente urbano também sugere aplicações em sistemas robóticos de estacionamento. + Explorar mais

O aprendizado profundo ajuda os robôs a agarrar e mover objetos com facilidade