Une approche d'orientation d'inspiration humaine pour améliorer la navigation des robots

Pour que les robots soient introduits avec succès dans une gamme plus large de paramètres du monde réel, ils devraient être en mesure de naviguer en toute sécurité et de manière fiable en évolution rapide. Alors que les roboticiens et les informaticiens ont introduit un large éventail de techniques de calcul pour la navigation des robots au cours des dernières décennies, beaucoup d'entre eux se sont révélés mal fonctionner dans des environnements dynamiques, encombrés ou caractérisés par des voies étroites.

Des chercheurs de l'Institut Huzhou, qui fait partie de l'Université du Zhejiang en Chine, a récemment introduit une nouvelle approche de la navigation des robots basée sur un réseau neuronal profond et des techniques d'optimisation classique. Leur approche proposée, décrite dans un article publié dans Robotique scientifiqueest conçu pour reproduire artificiellement les capacités d'orientation des humains.

« Notre motivation était simple: développer un planificateur de trajectoire qui peut fonctionner avec solidité dans des environnements arbitrairement complexes tout en respectant les contraintes non holonomiques des robots », a déclaré Zhichao Han, premier auteur du journal, à Tech Xplore.

« Nous nous inspirons du raisonnement humain – en particulier, comment les gens peuvent souvent identifier intuitivement un chemin approximatif à travers des environnements complexes en un coup d'œil, même si la solution n'est pas toujours optimale ou complètement sûre. Pour imiter cela, nous avons mis en œuvre un réseau neuronal léger qui se rapproche de ce processus. »

Bien que les réseaux de neurones artificiels se soient bien comportés dans diverses tâches, leurs prédictions sont souvent difficiles à interpréter. De plus, de nombreuses techniques basées sur ces réseaux ne se généralisent pas bien dans un large éventail de scénarios.

Pour surmonter ces limites, Han et ses collègues ont combiné un réseau neuronal profond avec un nouvel optimiseur de trajectoire spatio-temporelle. Cela leur a finalement permis d'affiner davantage les trajectoires et les chemins générés par le réseau neuronal.

« Notre cadre de planification hiérarchique est conçu pour répondre à deux objectifs clés », a déclaré Han. « Premièrement, en tirant parti des approches basées sur l'apprentissage pour l'étape initiale de planification du chemin, nous visons à reproduire la capacité humaine à saisir« instantanément »une voie réalisable à travers un environnement. Cela garantit que les temps de planification sont stables et prévisibles. »

Le deuxième objectif du cadre proposé par l'équipe est de s'assurer que les chemins initiaux générés par les réseaux de neurones sont convertis en commandes de mouvement en douceur qui peuvent être exécutées par de vrais robots. Pour ce faire, le cadre repose sur des techniques d'optimisation numérique spécifiquement visant à améliorer les trajectoires et les chemins.

« L'idée principale est d'imiter le processus de planification humaine, dans lequel l'expérience passée joue un rôle crucial dans la planification des chemins », a expliqué Han. « De même, notre algorithme apprend d'un large ensemble de données de données d'experts, distillant ces connaissances antérieures dans le réseau.

« Un composant clé est que le planificateur neuronal fonctionne directement dans le même domaine d'image que la représentation de l'environnement, qui accélère considérablement la formation et améliore les performances de convergence. Intuitivement, si vous demandez à un humain de dessiner un chemin sur une carte, c'est-à-dire simple; demander à quelqu'un de fournir des points de coordonnées exacts est beaucoup moins intuitif. »

L'approche de l'orientation de la parcours développée par Han et ses collègues est nettement plus stable au fil du temps que les méthodes basées sur le réseau neuronal précédemment. Dans les tests initiaux, il s'est avéré avoir des chemins de repos de manière fiable pour les robots dans un délai fixe et prévisible, quelle que soit la complexité d'un environnement donné.

Il s'agit d'un avantage significatif, car de nombreuses méthodes de planification conventionnelles doivent effectuer des recherches en ligne approfondies, ce qui peut retarder le processus d'orientation dans des environnements dynamiques ou difficiles, ralentissant finalement la navigation d'un robot.

« Nous avons efficacement combiné l'optimisation numérique classique avec des réseaux de neurones profonds, en tirant parti de leurs forces respectives tout en atténuant leurs faiblesses », a déclaré Han. « Les réseaux profonds sont très efficaces mais manquent de garanties d'exhaustivité, tandis que les méthodes classiques sont complètes, mais leurs performances ont tendance à dépendre de l'initialisation. En intégrant les deux, notre système atteint une génération de trajectoire spatio-temporelle stable et de haute qualité dans des environnements difficiles. »

L'approche de l'orientation de Path introduite par cette équipe de chercheurs pourrait bientôt être testée dans plus d'expériences en utilisant diverses plateformes robotiques. À l'avenir, il pourrait être utilisé pour améliorer la capacité des robots à s'attaquer à différentes missions complexes, y compris les opérations de recherche et de sauvetage, les tâches logistiques et l'exploration d'environnements dynamiques.

« À l'avenir, nous prévoyons de relever le défi de transfert sim-à-réel en améliorant davantage la fidélité de la simulation et en améliorant la robustesse de la perception », a ajouté Han. « Notre objectif est de nous assurer que les robots peuvent fonctionner en toute sécurité, de manière fiable et prévisible dans des environnements réels divers et complexes – réalisant finalement l'intégration transparente dans la vie quotidienne humaine et les applications industrielles. »