Вдохновленный человеком подход к повышению квалификации для улучшения навигации роботов

Чтобы роботы были успешно введены в более широком диапазоне реальных настроек, они должны быть в состоянии безопасно и надежно ориентироваться в быстро меняющихся средах. В то время как роботисты и компьютерные ученые в течение последних десятилетий представили широкий спектр вычислительных методов для навигации роботов, было обнаружено, что многие из них плохо работали в среде, которые являются динамичными, загроможденными или характеризуются узкими путями.

Исследователи из Института Хучжоу, часть Университета Чжэцзян в Китае, недавно представили новый подход к навигации роботов, основанный на глубокой нейронной сети и методах классической оптимизации. Их предлагаемый подход, изложенные в статье опубликовано в Научная робототехникапредназначен для искусственного воспроизведения способностей людей.

«Наша мотивация была простой: разработать планировщик траектории, который может работать надежно в произвольно сложных условиях, в то же время уважая нехолономические ограничения роботов», – сказал Tech Xplore Чичао Хан, первый автор статьи.

“Мы черпали вдохновение в человеческих рассуждениях – в частности, как люди часто могут интуитивно идентифицировать грубую путь через сложные среды с первого взгляда, даже если решение не всегда оптимально или полностью безопасно. Чтобы подражать этому, мы внедрили легкую нейронную сеть, которая приближается к этому процессу ».

В то время как искусственные нейронные сети были обнаружены хорошо выполняются в различных задачах, их прогнозы часто трудно интерпретировать. Более того, многие методы, основанные на этих сетях, не очень хорошо обобщаются в широком спектре сценариев.

Чтобы преодолеть эти ограничения, Хан и его коллеги объединили Глубокая нейронная сеть с недавно разработанным оптимизатором пространственно -временной траектории. Это в конечном итоге позволило им дополнительно уточнить траектории и пути, генерируемые нейронной сетью.

«Наша структура иерархического планирования предназначена для решения двух ключевых целей», – сказал Хан. «Во-первых, используя подходы, основанные на обучении для начальной стадии планирования пути, мы стремимся воспроизвести человеческую способность« мгновенно »понять возможный путь через окружающую среду. Это гарантирует, что время планирования стабильно и предсказуемо».

Вторая цель предложенной команды – убедиться, что начальные пути, генерируемые нейронными сетями, преобразованы в команды плавных движений, которые могут выполняться реальными роботами. Для этого структура опирается на методы численной оптимизации, специально предназначенные для улучшения траекторий и путей.

«Основная идея состоит в том, чтобы имитировать процесс планирования человека, в котором прошлый опыт играет решающую роль в планировании пути», – объяснил Хан. «Точно так же наш алгоритм учится на большом наборе данных экспертных демонстраций, переведя эти предыдущие знания в сеть.

«Одним из ключевых компонентов является то, что нейронный планировщик работает непосредственно в том же домене изображения, что и представление окружающей среды, что значительно ускоряет как обучение, так и повышает производительность конвергенции. Интуитивно, если вы просите человека пройти путь на карте, это просто; просить кого -то предоставить точные координаты, гораздо менее интуитивно».

Подход к примеру пути, разработанный Ханом и его коллегами, со временем значительно более стабилен, чем ранее внедренные методы на основе нейронных сети. В начальных тестах было обнаружено надежно выходные пути для роботов в фиксированное и предсказуемое время, независимо от сложности данной среды.

Это является значительным преимуществом, так как многие традиционные методы планирования должны выполнять обширный онлайн -поиск, что может задержать процесс нанесения пути в динамических или сложных средах, в конечном итоге замедляя. роботНавигация.

«Мы эффективно объединили классическую численную оптимизацию с глубокими нейронными сетями, используя их сильные стороны, смягчая их слабости», – сказал Хан. «Глубокие сети высокоэффективны, но не имеют гарантий полноты, в то время как классические методы завершены, но их производительность имеет тенденцию зависеть от инициализации. Используя оба, наша система достигает стабильной и высококачественной генерации пространственно-временной траектории в сложных условиях».

Подход к примеру пути, представленный этой командой исследователей, может быть вскоре тестирована в большем количестве экспериментов с использованием различных роботизированных платформ. В будущем он может быть использован для улучшения способности роботов бороться с различными сложными миссиями, включая поисковые операции и спасательные операции, логистические задачи и исследование динамических сред.

«Двигаясь вперед, мы планируем решить проблему передачи с рисованием в реальность путем дальнейшего улучшения верности моделирования и повышения устойчивости восприятия»,-добавил Хан. «Наша цель состоит в том, чтобы роботы могли работать безопасно, надежно и предсказуемо в разнообразных и сложных реальных условиях-в конечном итоге, достигая бесшовной интеграции в повседневную жизнь человека и промышленные применения».

© 2025 Science X Network