• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  • Nouveau planificateur de mouvement pour les robots à roues afin de contourner les obstacles plus rapidement et plus efficacement

    Crédit :domaine public Unsplash/CC0

    Les chercheurs de Skoltech ont développé une méthode permettant aux robots à roues d'éviter les obstacles de manière rapide, efficace et naturelle lorsqu'ils se déplacent dans un environnement encombré. Signalé dans IEEE Robotics and Automation Letters , le nouveau planificateur de mouvement tire parti de l'apprentissage automatique et pourrait être utile pour la désinfection robotique, l'inventaire et le stationnement.

    La navigation robotique en deux dimensions, aller de A à B sans se heurter à des obstacles, est une tâche classique qui a été résolue de plusieurs façons depuis la fin des années 1980. Certains des problèmes avec les solutions existantes sont que les planificateurs mettent beaucoup de temps à établir un chemin, parfois ne le font pas du tout, ou offrent des trajectoires sous-optimales qui sont trop longues ou non fluides - ce que les gens appellent intuitivement se déplacer "comme un robot." De plus, certains des planificateurs existants ne sont bons que pour les robots qui ont un corps rond ou qui sont omnidirectionnels ; ils peuvent se déplacer dans une direction arbitraire à partir d'un arrêt.

    Le premier auteur de l'étude, Skoltech Ph.D. Mikhail Kurenkov, étudiant, a commenté :"Nous avons développé un planificateur qui fonctionne avec des robots qui ne sont ni ronds ni omnidirectionnels et surpasse les approches conventionnelles de planification de mouvement qui utilisent le processus gaussien et l'algorithme d'arbre aléatoire à exploration rapide. Notre méthode utilise ce que l'on appelle le concept de champ neuronal. Il n'a pas été beaucoup appliqué à la planification de mouvement, du moins pas en 2D, ce que nous faisons."

    Les champs neuronaux ne sont pas différents des champs de la physique, mais dans ce cas, les valeurs qu'ils stockent pour chaque point de l'espace sont des choses comme "quelle est la distance jusqu'à l'obstacle le plus proche" ou "dans quelle mesure ce point est vide ou occupé par des obstacles". " Le premier trouve des applications dans la conception graphique et l'animation, et le second est en fait la valeur utilisée par le nouveau planificateur de mouvement de robot créé chez Skoltech. L'un des développements récents dans les champs neuronaux consiste à faire appel à l'apprentissage automatique et à utiliser des réseaux neuronaux pour paramétrer le champ. C'est ainsi que fonctionne le nouveau planificateur.

    Pour tester ses performances, les chercheurs ont comparé leur planificateur à des solutions plus conventionnelles :un planificateur de mouvement de processus gaussien et un algorithme d'arbre aléatoire à exploration rapide. La méthode basée sur le champ neuronal s'est avérée construire des trajectoires finalement plus courtes et plus fluides et nécessite moins de virages gênants en place.

    Le test s'est appuyé sur un ensemble de données librement disponible avec plusieurs scénarios, y compris des couloirs, des parkings et des réseaux urbains. Cela donne un avant-goût du type de robots qui pourraient bénéficier du planificateur :d'une part, cela pourrait aider les désinfecteurs, les comptoirs d'inventaire et d'autres robots de service dans les centres commerciaux. Le scénario d'environnement urbain suggère également des applications dans les systèmes de stationnement robotisés. + Explorer plus loin

    L'apprentissage en profondeur aide les robots à saisir et à déplacer facilement des objets




    © Science https://fr.scienceaq.com