„Skoltech“ mokslininkai sukūrė metodą, leidžiantį naudoti ratinius robotus greitai, efektyviai ir natūraliai išvengti kliūčių judant perpildytoje aplinkoje. Kaip pranešama IEEE Robotics and Automation Letters , naujasis judesių planavimo įrankis išnaudoja mašininį mokymąsi ir gali būti naudingas robotams dezinfekuoti, inventoriaus skaičiavimas ir automobilių parkavimas.
Dviejų dimensijų robotinė navigacija, norint patekti iš A į B neatsitrenkiant į kliūtis, yra klasikinė užduotis, kuri buvo atlikta išspręsta įvairiais būdais nuo vėlyvųjų 1980 s. Kai kurios esamų sprendimų problemos yra tai, kad planuotojai užtrunka ilgai, kol nustato kelią, kartais to nepadaro iš viso arba siūlo neoptimalias trajektorijas, kurios yra per ilgos arba nelygios – tai žmonės intuityviai vadina judėjimu „kaip robotas“. Be to, kai kurie iš esamų planuotojų tinka tik robotams, kurie turi apvalų korpusą arba yra įvairiakrypčiai – gali važiuoti savavališkai iš vietos. Pirmasis tyrimo autorius, Skoltech Ph.D. studentas Michailas Kurenkovas komentavo: „Mes sukūrėme planuotoją, kuris dirba su robotais, kurie nėra apvalūs ir ne visakrypčiai, ir pranoksta įprastinius judesių planavimo metodus, kuriuose naudojamas Gauso procesas ir greitai tiriamas atsitiktinio medžio algoritmas.
Mūsų metodas naudoja vadinamąjį Neuroninio lauko koncepcija. Ji nebuvo daug pritaikyta planuojant judesius, bent jau ne 2D formatu, ką mes darome.” Neuroniniai laukai skiriasi nuo fizikos laukų, tačiau šiuo atveju kiekvieno erdvės taško vertės yra tokios, kaip „koks atstumas iki artimiausios kliūties“ arba „kokiu mastu taškas tuščias arba užimtas kliūčių“. Pirmoji randa pritaikymo grafiniame dizaine ir animacijoje, o pastaroji iš tikrųjų yra naujojo „Skoltech“ sukurto roboto judesio planavimo priemonė. Vienas iš naujausių neuronų laukų pokyčių yra mašininio mokymosi įtraukimas ir neuroninių tinklų naudojimas laukui parametrizuoti. Taip veikia naujasis planuotojas. Siekdami patikrinti, kaip gerai ji veikia, mokslininkai palygino savo planuotoją su įprastesniu sprendimai: Gauso proceso judesio planavimo priemonė ir greitai tyrinėjantis atsitiktinio medžio algoritmą. Pasirodė, kad neuroniniu lauku pagrįstas metodas sukuria trumpesnes ir sklandesnes trajektorijas ir reikalauja mažiau nepatogių posūkių. testas rėmėsi atvirai prieinamu duomenų rinkiniu su keliais scenarijais, įskaitant koridorius, automobilių stovėjimo aikšteles ir miesto tinklus. Tai leidžia pajusti, kokiems robotams gali būti naudingas planuotojas: viena vertus, tai gali padėti dezinfekciniams, atsargų skaitikliams ir kitiems aptarnaujantiems robotams prekybos centruose. Miesto aplinkos scenarijus taip pat siūlo pritaikymą robotizuotose parkavimo sistemose.
