Учёные МФТИ научили роботов ориентироваться по принципу человеческой памяти

Метод топологического картографирования PRISM-TopoMap, созданный совместно учёными ФИЦ ИУ РАН, МФТИ, AIRI, позволяет роботам строить гибкие топологические карты, помогающие ориентироваться в постоянно меняющейся среде. Решение протестировано в виртуальных средах, а также на реальных устройствах и превосходит существующие аналоги. Результаты проекта представлены в научном журнале IEEE Robotics and Automation Letters.

Современные роботы активно используются в разных сферах: на складах автономные погрузчики ежедневно перемещают тонны грузов, дроны-курьеры доставляют посылки в городах, а марсоходы исследуют далекие планеты в условиях, где традиционные системы навигации недоступны.

Чтобы робот ориентировался в пространстве, инженеры часто создают метрические карты – подробные изображения местности, на которых отмечена каждая деталь. Однако они занимают гигабайты памяти, со временем в них накапливаются ошибки, которые приводят к сбоям.

Альтернативное решение – топологические карты. Вместо детальной геометрии они фиксируют связи между ключевыми местами, представляя их в виде графа. Это позволяет роботу быстрее планировать маршрут, меньше зависеть от ошибок и экономить память. Самое главное здесь – определить точное местоположение робота в графе. Здесь существующие методы, использующие машинное обучение для распознавания мест, могут ошибаться.

Новый метод топологического картографирования PRISM-TopoMap (Place Recognition and Integrated Scan Matching for Topological Mapping), совместно разработанный учёными МФТИ, ФИЦ ИУ РАН и AIRI, сочетает несколько современных технологий обработки данных, решая эту проблему.

Сначала изображения с камер и данных лидара анализируются с помощью улучшенного алгоритма распознавания места MSSPlace-G. Это позволяет роботу узнавать места даже в случае, когда освещение и ракурс изменились. Прежде чем добавить новую локацию в карту, робот сопоставляет ее с тем, что уже известно, а затем строит схему узлов и связей.

Это похоже на то, как человек запоминает новое место. Мы не запоминаем каждую деталь, а выделяем основные ориентиры и связи между ними. Именно этот принцип лежит в основе PRISM-TopoMap, что делает его практичным решением для автономной навигации роботов в реальных условиях», – рассказал один из авторов исследования Дмитрий Юдин, старший научный сотрудник, заведующий лабораторией интеллектуального транспорта МФТИ, ведущий научный сотрудник AIRI.

PRISM-TopoMap позволяет роботам строить и обновлять карту прямо во время движения, не зависеть от глобальных координат, а также экономить память и вычислительные ресурсы.

Чтобы оценить эффективность PRISM-TopoMap, учёные протестировали его на пяти больших помещениях в компьютерной симуляции и на реальном колесном роботе, а затем сравнили его с другими метрическими и топологическими методами.

Результаты работы методов SLAM и их сравнение с эталонной картой (Ground Truth) и метрической картой RTAB-Map. ORB-SLAM, Hydra, IncrementalTopo построили разрывные недостаточно связные графы. GLIM создал плотную карту, но с большим количеством лишних деталей. RTAB-Map покрыл не всё пространство. PRISM-TopoMap обеспечил точный и связный граф с максимальным покрытием среды.

«Наши эксперименты в виртуальных 3D-средах и испытания на реальном роботе показали, что новый метод успешно строит точные и связные карты-схемы даже при наличии погрешности измерений датчиков. Он не только обеспечивает полное покрытие пространства, но и работает значительно быстрее, дешевле и эффективнее существующих аналогов», – поделился Александр Мелехин, инженер Лаборатории интеллектуального транспорта МФТИ.

В будущем учёные планируют научить систему понимать тип и назначение помещений: различать кухни, коридоры, склады, а также усовершенствовать алгоритмы прокладки маршрутов по создаваемым схемам. Это сделает навигацию роботов ещё более точной и осмысленной в реальных условиях.

«Карты, построенные нашим методом PRISM-TopoMap, позволяют очень быстро и легко прокладывать маршруты вплоть до нескольких километров. Добавив распознавание типов помещений и объектов внутри них, мы можем обеспечить выполнение разных навигационных задач, включая автоматизированную доставку между зданиями», – рассказал Кирилл Муравьёв, младший научный сотрудник ФИЦ ИУ РАН.