• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  • Un cadre pour la navigation des robots d'intérieur chez les humains

    (Haut) Un scénario de navigation visuelle autonome envisagé par les chercheurs, dans un domaine jusqu'alors inconnu, environnement intérieur avec des humains, en utilisant des images RVB monoculaires (en bas à droite). Pour apprendre aux machines à naviguer dans des environnements intérieurs contenant des humains, les chercheurs ont créé HumANav, un jeu de données qui permet un rendu photoréaliste dans des environnements simulés (par exemple en bas à gauche). Crédit :Tolani et al.

    Afin de s'attaquer aux tâches qu'ils sont censés accomplir, les robots mobiles devraient être capables de naviguer efficacement dans les environnements du monde réel, éviter les humains ou d'autres obstacles dans leur environnement. Alors que les objets statiques sont généralement assez faciles à détecter et à contourner pour les robots, éviter les humains peut être plus difficile, car cela implique de prévoir leurs déplacements futurs et de planifier en conséquence.

    Des chercheurs de l'Université de Californie, Berkeley, ont récemment développé un nouveau cadre qui pourrait améliorer la navigation des robots parmi les humains dans des environnements intérieurs tels que les bureaux, maisons ou musées. Leur modèle, présenté dans un article pré-publié sur arXiv, a été formé sur un ensemble de données nouvellement compilé d'images photoréalistes appelé HumANav.

    "Nous proposons un nouveau cadre de navigation autour des humains qui combine la perception basée sur l'apprentissage avec un contrôle optimal basé sur un modèle, ", ont écrit les chercheurs dans leur article.

    Le nouveau cadre que ces chercheurs ont développé, surnommé LB-WayPtNav-DH, comporte trois éléments clés :une perception, une planification, et un module de contrôle. Le module de perception est basé sur un réseau neuronal convolutif (CNN) qui a été formé pour mapper l'entrée visuelle du robot dans un point de cheminement (c'est-à-dire, l'état souhaité suivant) en utilisant l'apprentissage supervisé.

    Le waypoint cartographié par le CNN est ensuite transmis aux modules de planification et de contrôle du framework. Combiné, ces deux modules garantissent que le robot se déplace vers son emplacement cible en toute sécurité, en évitant les obstacles et les humains dans son environnement.

    Image expliquant ce que contient l'ensemble de données HumANav et comment il permet d'obtenir un rendu photoréaliste d'environnements intérieurs contenant des humains. Crédit :Tolani et al.

    Les chercheurs ont formé leur CNN sur des images incluses dans un ensemble de données qu'ils ont compilé, surnommé HumANav. HumANav contient photoréaliste, images rendues d'environnements de construction simulés dans lesquels les humains se déplacent, adapté d'un autre ensemble de données appelé SURREAL. Ces images représentent 6000 marches, mailles humaines texturées, classés par forme de corps, genre et vélocité.

    "Le cadre proposé apprend à anticiper et à réagir aux mouvements des personnes en se basant uniquement sur une image RVB monoculaire, sans prédire explicitement le mouvement humain futur, ", ont écrit les chercheurs dans leur article.

    Les chercheurs ont évalué LB-WayPtNav-DH dans une série d'expériences, à la fois dans les simulations et dans le monde réel. Dans des expériences réelles, ils l'ont appliqué à Turtlebot 2, un robot mobile à faible coût avec un logiciel open source. Les chercheurs rapportent que le cadre de navigation du robot se généralise bien aux bâtiments invisibles, contournant efficacement les humains à la fois dans des environnements simulés et réels.

    Crédit :Varun Tolani MS
    Crédit :Varun Tolani MS

    "Nos expériences démontrent que la combinaison du contrôle et de l'apprentissage basés sur des modèles conduit à des comportements de navigation meilleurs et plus efficaces en termes de données par rapport à une approche purement basée sur l'apprentissage, ", ont écrit les chercheurs dans leur article.

    Le nouveau cadre pourrait finalement être appliqué à une variété de robots mobiles, améliorant leur navigation dans des environnements intérieurs. Jusque là, leur approche s'est avérée remarquablement performante, transférer les politiques développées en simulation vers des environnements réels.

    Dans leurs futures études, les chercheurs prévoient de former leur cadre sur des images d'environnements plus complexes ou encombrés. En outre, ils souhaitent élargir l'ensemble de données de formation qu'ils ont compilé, y compris un ensemble d'images plus diversifié.

    © 2020 Réseau Science X




    © Science https://fr.scienceaq.com