Создана система навигации для роботов, курсирующих в организме человека

Обзор мобильных роботов, использующих бортовые системы навигации для автономного планирования пути к заданной цели

Рубрика: Технические науки

Дата публикации: 22.09.2015 2015-09-22

Статья просмотрена: 1790 раз

Библиографическое описание:

Ткачёв А. В., Шаныгин С. В. Обзор мобильных роботов, использующих бортовые системы навигации для автономного планирования пути к заданной цели // Молодой ученый. — 2015. — №19. — С. 215-219. — URL https://moluch.ru/archive/99/22143/ (дата обращения: 09.12.2019).

Проведён краткий обзор мобильных роботов, используемых в сфере обеспечения безопасности, в сельском хозяйстве и в сфере обслуживания, таких как: LAURON 5, iC Hexapod, BoniRob и BigDog. Сформулированы главные принципы организации системы управления движением мобильного робота на основе рассмотренных в статье робототехнических систем. Рассмотрены наиболее популярные подходы к решению проблемы навигации автоматизированных систем в недетерминированных условиях реального мира и сформулированы основные недостатки применения каждого из подходов. Отмечена необходимость повышения автономности бортовых систем и предложено решение проблемы обработки большого потока информации в реальном времени на основе комплексного подхода.

Ключевые слова: мобильный робот, системы навигации робота, модульная архитектура робототехнических систем.

Conducted a brief review of mobile robots used in the field of security, in agriculture and in the service sector, such as: LAURON 5, iC Hexapod, BoniRob and BigDog. Formulated the basic organization principles of the mobile robot movement control on the basis of robotic systems, discussed in this article. Consider the most popular approaches to solving the problem of navigating automated systems in non-deterministic real-world conditions and formulated the basic disadvantages of each approach. The necessity to increase the autonomy of onboard systems and provides a solution to the problem of handling the huge flow of video in real time through an integrated approach..

Keywords: mobile robot, robot navigation systems, modular architecture of robotics systems.

В 21-ом веке мобильные робототехнические системы повсеместно интегрируются в самые разные отрасли. В сфере обслуживания требуются роботы-курьеры, образовательные роботы, роботы-консультанты и интеллектуальные пылесосы. В сфере обеспечения безопасности робототехнические системы применяются для обеспечения круглосуточного наблюдения и охраны. В сельском хозяйстве для автоматизации используются различные полевые роботы. В связи с возросшей сложностью операций, перекладываемых на РТС, особо остро стоит проблема решения задачи навигации автоматизированных систем без участия человека, так как необходимо добиться уверенного перемещения мобильного робота в недетерминированных условиях реального мира.

Наиболее популярный подход для решения проблемы навигации заключается в загрузке в запоминающее устройство робота локальной карты местности и в снабжении робота системой спутникового позиционирования [1]. Но при таком решении задачи навигации, система жестко связана с работой спутника, и в случае блокировки GPS или ГЛОНАСС робот фактически лишится ориентации в пространстве. Поэтому, бортовой модуль навигации мобильного робота должен так же уметь строить маршрут и управлять параметрами движения на основании данных, полученных от бортовых сенсоров, например от инфракрасных и ультразвуковых дальномеров, датчиков давления, камеры и т. д.

Современные системы навигации разрабатывают на основе взаимосвязанных модулей, объединяя механизмы управления на низшем уровне и общее планирование маршрута. Выделяют два основных подхода к построению системы навигации: использование централизованной или распределённой архитектуры управления. При централизованном управлении, все вычисления, необходимые для генерации входного вектора управления перемещением робота выполняются на одном компьютере. В зависимости от поставленной задачи, вычислительные мощности, скорость вычислений, и аппаратные ресурсы компьютера, необходимого для осуществления централизованного управления, могут быть слишком затратными, либо вообще экономически неосуществимыми.

В распределенной системе управления, вместо одного главного контроллера, используют индивидуальные контроллеры для управления движением каждой конечности либо отдельными суставами конечности робота. Распределенное управление может быть реализовано на базе одноплатного компьютера или на распределенной вычислительной платформе, состоящей из различных мелких компьютеров, подключенных в единую сеть. В такой системе управляющий контроллер координирует работу подключенных к нему МК, отдельные контроллеры могут так же сотрудничать друг с другом в однораноговой сети. Проблемы, непосредственно связанные с движением на текущем коротком отрезке маршрута, решаются модулем управления и координации движения, а глобальная система следит за соблюдением общего плана, и, в случае отклонения, корректирует маршрут движения, а также синхронизирует работу всех подчиненных структур управления [2]. В настоящее время, использование распределенной системы управления роботом позволяет резкого снизить стоимость навигационного комплекса и всей РТС в целом, а также даёт возможность создать автономную бортовую систему навигации, решающую задачу передвижения в реальном времени. Далее в статье мы рассмотрим перспективные реализации мобильных роботов с распределённой бортовой системой навигации.

Обзор мобильных роботов с бортовой системой навигации

Обзор конструкций и систем технического зрения начнем с шагающего робота LAURON (рис. 1). Он был разработан для изучения и анализа устойчивости передвижения робота по пересеченной местности. Конструкция робота приближена к строению насекомого — Lauron оснащён 6 конечностями, закреплёнными на алюминиевом каркасе, удерживающем необходимую электронику. Каждая из 6-ти ног приводится в действие 4-мя суставами, а голова робота может перемещаться в 2-х направлениях. В сумме это даёт Lauron’у 26 степеней свободы [3]. Благодаря надежной механической конструкции, нескольким типам походок и большому числу степеней свободы, LAURON может сохранять стабильное передвижение даже в экстремальных условиях. Благодаря гибкой системе управления, LAURON способен хорошо адаптироваться к неизвестным ситуациям.

LAURON оснащен несколькими системами датчиков. Каждая конечность снабжена датчиком давления и пружинной системой. В сочетании с измерениями тока двигателя эти две компоненты используются для обнаружения столкновений и контакта конечностей с поверхностью. Кроме того, каждый двигатель оснащен высокоточным кодером, который позволяет получить текущий угол соединения [4].

Ориентация и положение робота измеряются с помощью GPS-датчика, а две системы камер (стерео камеры и ИК-камера), установленные на голове робота, предоставляют информацию о его окружении. На задней панели LAURON имеет панорамную камеру ​​для теле-операционных задач. Эта камера предоставляет оператору хороший обзор робота в режиме реального времени. При использовании очков дополненной реальности, оператор может видеть дополнительную информацию о состоянии робота, которая накладывается на изображения с камер и отображается в очках.

Рис. 1. Робот LAURON 3 (1999 г.), LAURON 4 (2004)

Рис. 2. Робот LAURON 5 (2013)

Движения 6 ног и головы управляются распределённой системой модулей UCoMs (Модуль универсального контроллера). Каждый из этих 9 UCoMS (8 для ног и один для головы) имеет свой собственный DSP и FPGA. Система CAN Bus соединяет все семь UCoMs друг с другом и с встроенной управляющей ЭВМ (система Mini-ITX ПК).

На основании полученной от датчиков информации LAURON 5 (рис. 2) строит карту своего окружения и может спланировать путь к заданной цели автономно. Во время пути LAURON 5 обнаруживает препятствия и принимает решение: либо взобраться на них, либо обойти вокруг, если препятствия слишком высоки. Шагающий робот предназначен для проверки и выполнения задач технического обслуживания в опасных для человека зонах: для обнаружения наземных мин, разведки вулканов, а также поисково-спасательных миссий после стихийных бедствий.

Робот IC Hexapod (рис. 3) был разработан британским инженером Мэттом Дентоном (Matt Denton). Гексапод обладает тремя степенями свободы, тремя актуаторами в каждой ноге и бортовым навигационным модулем p.Brain, который осуществляет перемещение ног и всего тела.

Рис. 3. Робот гексапод Hexapod iC

iC Hexapod работает на 16 битном процессоре PIC. Основной интерес представляет ПО для распознавания и трекинга человеческих лиц. Зафиксировав лицо человека, цифровая камера на голове шагающего робота начинает снимать. Видеопоток передаётся на удалённый компьютер, где он записывается и проходит дальнейшую обработку [4].

Для перемещения iC Hexapod’а оператор просто указывает роботу направление, при этом задаётся только вектор движения, а сигналы на сервоприводы направляет уже контроллер p.Brain. Именно контроллер рассчитывает, какую ногу поднять и куда её поставить.

В работе [5] приведён обзор сельскохозяйственного робота, который использует собственную навигационную систему для работы в поле. BoniRob создан компанией Аmazone для обработки отдельных растений (рис.4).

Рис. 4. Сельскохозяйственный робот BoniRob

Задачу навигации данный робот решает построением навигационной карты местности — после проведения обработки растения, BoniRob заносит GPS координаты местонахождения в память и таким образом строит карту проведенных работ.

Четырёхногий робот BigDog (рис. 5.) был создан в 2005 году фирмой Boston Dynamics совместно с Foster-Miller. Разработка финансировалось DARPA, а работы по добавлению манипулятора в систему финансируются программой RCTA военной научно-исследовательской лаборатории [6]. Данный робот применяется для переноски небольших грузов в недетерминированных условиях на местности со сложным рельефом. По размеру BigDog можно сравнить с большой собакой или маленьким мулом — в длину 0,91 м., в высоту 0,76 м., вес 240 кг.

Рис. 5. Робот BigDog

Задачи навигации BigDog решает бортовой компьютер, который совмещает как низкого-уровневое управление, так и функции управления на высоком уровне. Система управления нижним уровнем контролирует позиции сервоприводов и угловые силы. Система управления верхнего уровня координирует поведение ног, регулирует скорость и высоту платформы во время передвижения. Система управления также регулирует силы взаимодействия конечностей с землёй для поддержания баланса робота, обеспечения стабильного движения и сцепления с поверхностью. Система управления следит за балансом робота и управляет передвижением по различным типам поверхности. При отключении средств беспроводной передачи данных BigDog продолжает движение по маршруту, рассчитанному на бортовом компьютере, анализируя информацию, получаемую от датчиков и системы бинокулярного зрения. Датчики обеспечения движения включают в себя датчики положения и усилия, нагрузки, контакта с поверхностью, лазерный гироскоп. Остальные датчики следят за внутренним состоянием BigDog, а именно осуществляют мониторинг гидравлического давления, температуры масла, функций двигателя, зарядки батареи [7].

Проведя краткий обзор мобильных роботов с распределённой бортовой системой навигации, можно отметить, что на сегодняшний день особо остро стоит проблема перемещения в недетерминированных условиях и реагирования на изменения окружения в режиме реального времени. Роботизированные системы, использующие только удалённое управление, имеют ряд серьёзных проблем, обусловленных ограничениями канала связи и необходимостью постоянного участия человека-оператора в процессе управления. Необходимо серьёзно повысить уровень автономности бортовых систем управления мобильных роботов. Стоит помнить, что при передаче бортовому компьютеру ряда функций организации управления и слежения, мы сталкиваемся с проблемой обработки огромного потока информации.

Для решения выше обозначенных проблем предлагается применить комплексный подход, который сочетает в себе использование специальных технических средств, разработку специального программного обеспечения бортового компьютера, выполняющего в масштабе реального времени анализ видеоданных для автоматического формирования цели, а также применение распределённой модульной структуры системы управления, что позволит удешевить и расширить возможности модернизации такой системы путем замены существующих или добавления новых модулей, увеличивающих функциональность робота.

1. Бишоп О. Настольная книга разработчика роботов «МК-Пресс», СПб.: КОРОНА-ВЕК, 2010. 400 с.

2. Chiacchio P., Chiaverini S. Complex Robotic Systems, 2006. 209 pages.

3. Arne Rönnau: Walking Robot LAURON [Электронный ресурс] — режим доступа: http://www.fzi.de/en/research/projekt-details/lauron/?content >

4. Celaya, Enric, Albarral, Jose Luis. «Implementation of a hierarchical walk controller for the LAURON III hexapod robot». Institut de Robòtica i Informàtica Industrial.

6. Петрасек С., Длоугый М. Мобильные роботы для ухода за растениями // Сельский механизатор, М.: ООО «Нива», 2013. № 6(52). С. 8–9.

7. BigDog — The Most Advanced Rough-Terrain Robot on Earth [Электронный ресурс] — режим доступа: http://www.bostondynamics.com/robot_bigdog.html

8. Raibert M., Blankespoor K., Nelson G., Playter R. and the BigDog Team. BigDog, the Rough-Terrain Quaduped Robot, Boston Dynamics, Waltham, MA 02451 USA

Навигация мобильных роботов

Мобильные робототехнические системы применяются сегодня в самых разных отраслях. Корпоративные заказчики интересуются многофункциональными промышленными роботами, массовый покупатель активно приобретает интеллектуальные пылесосы и роботы-собачки, службы безопасности и спасения рассчитывают на автономные устройства, способные без устали выполнять задачи слежения и поиска. При этом все подобные устройства в идеале должны уверенно перемещаться в незнакомой и непредсказуемой обстановке реального мира.

Устройство автоматической калибровки антенны для

роботов, создаваемых германскими Центром авиации

и космонавтики и Министерством образования, науки,

исследований и технологии

Пока основной проблемой всех ныне существующих мобильных аппаратов, перемещающихся самостоятельно, без управления со стороны человека, остается навигация. Для успешной навигации в пространстве бортовая система робота должна уметь строить маршрут, управлять параметрами движения (задавать угол поворота колес и скорость их вращения), правильно интерпретировать сведения оокружающем мире, получаемые от датчиков, и постоянно отслеживать собственные координаты.

Компьютерные системы построения маршрута разработаны достаточно хорошо. Первоначально они создавались для простейших виртуальных сред, и программа, моделирующая действия робота, быстро находила оптимальный путь к цели в двумерных лабиринтах и комнатах, наполненных простыми препятствиями. Когда появились быстрые процессоры, стало возможным формировать траекторию движения уже на сложных трехмерных картах, причем в реальном времени. Интересно, что существенный вклад в это алгоритмическое направление внесли компании-разработчики компьютерных игр, финансирующие соответствующиисследования. В современных играх с каждой из конфликтующих сторон участвует несколько сотен боевых единиц, действующих на случайно сгенерированных трехмерных картах, и каждая единица быстро и достаточно эффективно находит путь к цели. Правда, при этом она, как правило, неявно обладает полной информацией о карте и своем местоположении на ней.

Поэтому в реальных условиях эксплуатации такие алгоритмы малоэффективны. Полноценный робот должен определять собственные координаты и выбирать направление движения только на основании показателей бортовых датчиков, поэтому системы искусственного интеллекта, создаваемые для автономных машин, ориентированы на поддержку непрерывного цикла “опродатчиков – принятие оперативного решения об изменении маршрута”. Таких циклов может быть несколько – один ответственен за следование по основному маршруту, другой – за обход препятствий и т. д. Кроме того, на аппаратном уровне каждый цикл может поддерживаться датчиками разных типов и разных принципов действия, формирующих потоки данных разного объема и интенсивности.

В результате робот начинает теряться в сложной обстановке и на длинных маршрутах, когда надо не просто обходить мелкие препятствия и уклоняться от опасностей на относительно прямом пути, а планировать долгосрочные действия на стратегическом уровне и выполнять ряд вспомогательных задач, которые весьма трудоемки сами по себе. Поэтому современные системы навигации объединяюмеханизмы как низкоуровневого управления, так и высокоуровневого планирования. Проблемы, непосредственно связанные с движением на текущем коротком отрезке маршрута, решаются путем простого реагирования на особенности внешней среды, а глобальная система следит за соблюдением общего плана, модифицируя его в случае необходимости, и синхронизирует работу всех подчиненных структур управления.

Технические сложности мобильной навигации

При построении системы навигации роботов возникает немало технических сложностей. Рассмотрим их более подробно.

1. Чтобы двигаться к цели, роботу необходимо сформировать достаточно точный образ окружающего его пространства.

Сегодня это достигается преимущественно использованием лазерных дальномеров и ультразвуковых генераторов (сонаров). Однако лазерный луч поможет получить образ среды только в зоне прямой видимости. Кроме того, на пути луча часто возникают мелкие помехи, вносящие погрешность в такой образ. А ультразвуковые датчики характеризуются большим временем отклика (если робот находится на большом и открытом пространстве), порядка десятых долей секунды, что не позволяет роботу перемещаться быстро. Скорость звука в разных условиях также может “плавать”, влияя на точность оценки расстояния, в результате в “голове” робота искажается общая картина окружающей среды. Создание трехмерных карт с помощью лазеров в масштабе реального времени еще более затруднительно и, как минимум, требует существенных вычислительных мощностей, которые пока не удается воплотить в виде компактных бортовых плат. По этим причинам ценность информации, поступающей от бортовых датчиков, невелика. Роботу необходимо перевести ее в формальное и структурированное “словесное” описание мира (задача распознавания), что пока получается плоховато. Наибольший эффект здесь обещают дать системы машинного зрения, но они также еще несовершенны (см. PC Week/RE, N 5/2004, с. 31). Вместе с тем данный недостаток уже преодолен в проектах, где роботы действуют в зданиях и в любой другой предопределенной обстановке.

Перспективной идеей оказалось хранение в памяти машины полной карты местности. Обычно она представляется в геометрическом (очень подробно, но и очень объемно) либо топологическом (компактно, условными обозначениями, нменее подробно) виде. Наилучший результат дают трехмерные карты, однако их хранение и обработка бортовой системой робота затруднены: нужны слишком большие по сегодняшним меркам вычислительные ресурсы. А самое главное, роботу далеко не всегда удается правильно определить свое реальное местонахождение на такой карте.

Ведется множество исследовательских работ по обучению автономных аппаратов методам самостоятельного построения карт местности. Эта область активно финансируется военными, заинтересованными в автоматизации процессов построения карт любой области Земли. Пока эти исследования не имеют серьезных практических воплощений в системах реального времени. Впрочем, препятствие к этому заключается не столько в слабости алгоритмов, сколько в относительно медленных бортовых процессорах.

2. В ходе движения робот должен быстро и точно управлять мотором и положением колес.

Некоторые задачи робототехники в принципе не допускают точного решения (это, например, задача управления крутящим моментом электромотора таким образом, чтобы робот безукоснительно следовал маршруту). В других задачах, связанных с динамикой движения роботов (область теоретической механики), до нахождения ответа еще очень далеко, а поиск приближенных коэффициентов, определяющих параметры движения, требует от бортового устройства постоянного решения систем дифференциальных уравнений. Поэтому сложности здесь как технические, так и теоретические.

3. Робот должен знать свое реальное местонахождение, а оно почти всегда отличается от хранящегося в бортовой системе.

Определение своих координат – фундаментальная задача навигации, ответ на которую интересен не только робототехникам, но и специалистам из множества других областей – прежде всего космической, авиационной и автомобильной.

Схемы навигации автономных устройств

Робототехники выделяют три навигационные схемы:

– глобальная – определение абсолютных координат устройства при движении по длинным маршрутам;

– локальная – определение координат устройства по отношению к некоторой (обычно стартовой) точке. Эта схема востребована разработчиками тактических беспилотных самолетов и наземных роботов, выполняющих миссии в пределах заранее известной области;

– персональная – позиционирование роботом частей своего тела и взаимодействие с близлежащими предметами, что актуально для устройств, снабженных манипуляторами.

Считается, что чем крупнее аппарат, тем выше для него важность глобальной навигации и ниже – персональной. У роботов-малышей все наоборот.

Системы навигации классифицируются еще по одному признаку – они могут быть пассивными и активными. Пассивная система навигации подразумевает прием информации о собственных координатах и других характеристиках своего движения от внешних источников, а активная рассчитана на определение местоположения только своими силами. Как правило, все глобальные схемы навигации пассивные, локальные бывают и теми и другими, а персональные схемы – всегда активные.Пассивные навигационные схемы. Первые модели промышленных роботов с более или менее автономной навигацией, созданные в 60-е годы, передвигались по маршруту, жестко заданному с помощью электрических кабелей, проложенных под полом заводских сооружений. На роботах устанавливались несложные устройства приема электромагнитного излучения кабеля, позволявшие определять направление перемещения. Аппараты могли двигаться по различным маршрутам благодаря тому, что по нескольким кабелям передавался сигнал с разной частотой. Но такая схема была дорогой и негибкой.

С появлением первых систем машинного зрения удалось отказаться от возни с кабелями и перейти к навигации по ярко нарисованным (или флуоресцентным) линиям на полу. Робот с помощью камеры следил за такой линией и самостоятельно двигался вдоль нее. Правда, линии часто стирались, нередко загораживались другими аппаратами и людьми, а на перекрестках, где сходилось несколько маршрутных линий, роботы обычно терялись и останавливались, не в силах понять, куда же двигаться дальше.

Испытывались и другие похожие концепции. По маршруту движения на определенной высоте размещались предметы-маркеры заданной формы, которые робот с помощью простых датчиков “ощупывал”, узнавая тем самым свое местонахождение. Но такая схема навигации основана на нежелательном физически активном контакте машины с окружающим миром, что может привести к разрушительным последствиям. Кроме того, роботы не всегда могли правильно идентифицировать маркеры, а расположение последних приходилось выбирать очень точно.

Постепенно “продвинутые” модели маркерной навигации были оснащены более совершенными аналоговыми датчиками, научившимися измерять силу реакции контакта и определять форму маркера, а сегодня в этих целях применяются цифровые матричные датчики, способные получать от маркеров подробные данные об окружающей среде. Основным недостатком такого решения остается необходимость обслуживания маркеров на маршруте.

До 30-х годов прошлого века навигационные задачи решались по старинке – с помощью карты, компаса, секстанта, по солнцу, звездам и т. д. В 50-е годы у летчиков и моряков получила широкое распространение схема навигации по радиомаякам, а когда в 1957-м был запущен в космос советский “Спутник-1”, специалисты Массачусетского технологического института быстро придумали простой способ измерения параметров его орбиты по изменению спектра передаваемого спутником сигнала. Эта идея легла в основу современных систем спутниковой навигации. Глобальная спутниковая система GPS, стартовавшая в 1973 г. усилиями ВМС, ВВС и министерства транспорта США, с каждым годом продолжает набирать популярность у разработчиков навигационных систем для автономных роботов. Она относится к категории пассивных глобальных систем.

Хотя на рынке имеется множество коммерчески доступных GPS-приемников, их применение в глобальной навигации пока ограничено задачами соблюдения общего курса. Связано это с очевидным требованием законов робототехники о точности такой навигации – ошибка в определении собственных координат не может превышать размера автономного аппарата (в противном случае возможны столкновения с устройствами такого же или меньшего размеров и другие конфликты со средой). Типичный самоходный коммерческий робот обычно не превышает в длину одного-двух метров и может удаляться от места старта на 10 км, а вот GPS-сигнал дает точность около 100 м, и гражданским организациям в ближайшие годы будут доступны обновленные GPS-приемники с точностью 20-30 м. Поэтому в качестве базовой GPS-навигация применяется преимущественно в автопилотах крупных самолетов или океанских лайнеров. Кроме того, в различных регионах Земли, на местности со сложным рельефом и в зданиях GPS-сигнал может приниматься неустойчиво и с помехами. Таким образом, эта система еще довольно долго не сможет использоваться как основная в задачах глобальной навигации небольших аппаратов.

Иногда возможности GPS-системы расширяются за счет развертывания дополнительных наземных станций – если их координаты известны, то можно на основе GPS-информации определять местоположение объекта с точностью около 5 м. Но это решение подходит только для локальной схемы навигации.

У разработчиков систем пассивной локальной навигации популярна идея использования для ориентирования искусственных сооружений (например, специальных вышек). Она неплохо реализована в коммерческих версиях, и робот, снабженный системой машинного зрения, может довольно точно рассчитать расстояние до вышки по анализу изменения геометрических размеров ее видимого образа. Если же установить искусственные маяки не удается, робот может попытаться самостоятельно выделить статичные элементы окружающей обстановки (высокое дерево, гора) и выполнить привязку к ним своих координат. Недостаток такого подхода заключается в проблемах с нахождением ключевых объектов при изменении условий внешней среды (например, уровня освещенности).

Здесь может помочь использование стереокамер – зная угол зрения каждой из них, можно вычислить расстояние до цели. Но все равно остается актуальной задача распознавания одного и того же объекта каждой камерой и последующая синхронизация их “взглядов”, что роботам пока сложно делать в масштабе реального времени.

Другая пассивная концепция локальной навигации – с помощью радиомаяков – заключается в размещении в зоне действий робота источников радиосигналов, которые обрабатываются бортовым микропроцессором. Но так как радиомаяки располагаются в фиксированных точках некоторого маршрута, аппарат теряет возможность обходить препятствия или выбирать альтернативный путь движения. Если же сделать такую систему более гибкой и использовать радарные комплексы для определения координат попавших в зону их действия объектов, то будет теряться время (как правило, десятые доли секунды) на организацию запроса бортовой системы робота к радарной станции и ожидание от последней ответа.

Существуют решения на основе так называемых непрерывных радиометок – наземная аппаратура генерирует на большой площади сигнал с параметрами, меняющимися в зависимости от удаления от источника. Но они дороги и характеризуются невысокой надежностью в холмистой или городской местности, где сигнал начинает пропадать. Так, коммерческая система Mini-Ranger Falcon компании Motorola стоит 100 тыс. долл. (из расчета на 20 подключений) и определяет координаты с точностью 2 м на удалении 75 км от генератора. Схожие решения фирмы Harris в минимальной комплектации обойдутся в 30 тыс. долл.

Теперь за роботами, попадающими в организм человека, можно следить

В последние десятилетия специалисты разных стран усиленно работают надо различными диагностическими приборами, которые могут передвигаться внутри организма, определяя заболевания и доставляя лечебные вещества к больным органам. И к настоящему моменту посчастливилось достичь серьезных результатов в этой сфере. Однако существует задача, которая пока еще окончательно не решена – за микроскопическими приборами ахти сложно уследить.

Предложенный экспертами вариант слежения вслед микро-роботами основан на отражении беспроводных сигналов малой мощности. В ходе эксперимента подопытным животным был имплантирован кукольный маркер, свободно перемещающийся по току крови. Отражающая методика позволила точно определить расположение предмета, а анатомическая карта в комбинации с компьютерным алгоритмом смогли верно обозначить конкретное место нахождения маркера.

Коновод проекта Дина Катаби рассчитывает на применение технологии приставки не- только в диагностических целях, но также в качестве одного изо вариантов таргетированной терапии для онкобольных.

Специалист отмечает, который система навигации способна, помимо отслеживания робота, давать ему специальные команды получи и распишись выполнение тех или иных действий.

Теперь за роботами, попадающими в устройство человека, можно следить — на ZdavNews.ru

Давно прошли тетя времена, когда вся работа по дому осуществлялась автоматизированный. Бытовая техника стала нашим надежным помощником в ведении хозяйства. Неутомимые электрические «работники» помогают подготовлять еду, стирать белье, мыть посуду, наводить порядок и чистоту, страсть до чего облегчая нам жизнь. Однако чтобы домашняя работа спорилась и продвигалась без участия перебоев, важно правильно подбирать приборы, обращая внимание получи мощность, скорость, функциональность, количество режимов и другие эксплуатационные характеристики.
Не хуже кого избежать распространенных ошибок при покупке той или тождественный техники, как правильно пользоваться, какие модели считаются лучшими, в духе найти причину поломки и отремонтировать прибор своими руками. Представлена исчерпывающая исходны данные обо всех видах техники: как мелкой, так и крупной, ровно бюджетной, так и дорогостоящей, как отечественной, так и зарубежной. Читайте полезные статьи и пополняйте единоличный багаж знаний о бытовой технике новыми ценными сведениями!

Как реализовать систему навигации мобильного робота?

Есть мобильный робот, который напичкан всевозможными датчиками. Он перемещается внутри пустого поля с размерами 3 на 3 м.
Как сделать так, чтобы робот перемещался в заданную мной точку поля?
А если я его перенесу руками, то робот должен вернуться обратно в заданную мной точку.

А если роботов будет 10?

  • Вопрос задан более трёх лет назад
  • 5668 просмотров

Конструкция робота и стола может быть модифицирована.
Можно сделать всё что угодно, здесь полный полет фантазии.

Сейчас у робота дальномеры статичны, и находятся спереди и сзади робота.

Да, на счет поля. Поле имеет стены, высоту стен можно регулировать.

Вы предлагаете не модифицировать робота, а перейти к модификации поля?

Забыл ещё сказать, что на поле одновременно может быть до 10 таких роботов.

А в такой случае как быть?

То есть в любом случае, одна система навигации не поможет, нужно именно комплексное решение, например QR код и Ультразвуковые излучатели.

Возникает вопрос синхронизации 🙂

Так или иначе роботу нужно выделить особенности его конкретного местоположения и связать их с координатами. Для этого нужна дополнительная информация о поле.
Дополнительная информация закладывается либо с существующего поля (“забор”, “столбы”, “маяки”, рисунок на поле или заборе),
либо создается дополнительно специально (особый рисунок на поле или заборе, активные ультразвуковые маяки, некое интерференционное ультразвуковое поле особое к каждой точке).

Вообще, исторические и бытовые методы геопозиционирования кладезь идей для вашего вопроса. =)

Робот настольный.
Вернее даже так, его рабочая зона – представляет собой плоский стол, имеющий бортики по периметру, ограничивающая передвижения робота за рабочую зону.
Робот может перемещаться в любом направлении по рабочей зоне. Поле имеет размеры изменяемые размеры от 1 на 1 метр до 5 на 5 метров.

Добавив конкретики к вопросу, может быть у Вас появились новые идеи?

В трех углах ставим ультразвуковые излучатели, каждый со своей частотой. Каждую секунду излучатели делают “пик”. Робот слушает излучатели из измеряет время приема каждого “пика”. Зная разницу между первым и вторым “пиком” и вторым и третьим “пиком”, зная координаты излучателей, зная скорость распространения звука, можно найти координаты робота. Скорость звука меняется в зависимости от температуры и давления. Перед началом работы установить робота в известное место и нажать кнопку “калибровать”.

Просто два ультразвуковых маяка по углам. Робот меряет направления на маяки, зная их координаты, вычисляет свое местоположение.

На поле на каждом квадратном сантиметре нарисовать QR-код с его координатами. =)

Дмитрий, уделите пожалуйста, ещё минутку внимания.

Расскажите поподробней про два ультразвуковых маяка по углам. Немного поподробней, как Вы видите этот механизм работы.

Чтобы определить координаты, нужно знать три направления: на север и на два маяка или на три маяка. Только два направления не хватает: насколько помню из школы – мы так не точку получим, а окружность. линию в общем.

Теперь надо понять как мерить направление. Проще всего тут сканирование. На голове робота ставим вращающийся ультразвуковой приемник и непрерывно измеряем уровень сигнала. Кроме того, мы должны знать момент времени t0, когда сонар проходит некоторое выделенное направление (например смотрит вперед робота) это чтобы нулевой угол знать. Если построить график сигнала – будут три явных пика в определенные моменты времени относительно t0. Зная скорость вращения сонара, мы узнаем углы. Зная углы – получим координаты.

вклинюсь.
задача разделяется как минимум на 2 :
1. позиционирование.
2. построение маршрута.

первая – и самая сложная и самая интересная.
дабы не стереть пальцы в кровь отошлю Вас к неплохой статье тут.
по сути в указанных условиях нас устроит только система локального позиционирования – только они обеспечат необходимую точность. если ограничение на оборудование поля отсутствует (для себя, не для соревнований) – то imho эффективнее будет использовать неподвижные излучающие маяки поля и приемник(и) на роботе.
это как вариант с ультразвуком, который уже предлагали, так и вариант классического “маяка” – свет видимый/инфракрасный(плюс света – отсутствие зависимости от влажности/температуры). “маяки” разных цветов на углы поля. Ставите приемники с фильтрами по цвету на вращающуюся платформу/серву, Зная углы между полученными “отсчетами” от “маяков” вычислить координаты на поле несложно.

все хуже, если маяки ставить нельзя. Тут пожалуй только CV спасет. посмотрите пример с соревнований на ютьюб – поле, 2 робота, позиционирование в основном по CV.
2. построение маршрута – зная координаты стартовой точки и конечной точки вектор по 2-м токам.
наличие других роботов сути не меняет – разве что они могут начать загораживать друг-другу маяки (решается подъемом маяков) и начнут “толкаться” – ну для этого стоит учесть это при цикле движения.

Создана система навигации для роботов, курсирующих в организме человека

Работа мобильных роботов сопряжена с постоянным перемещением в пределах рабочей зоны. В настоящее время подобные роботы встречаются все чаще и с каждым днем они становятся все более функциональными и сложными. По мере роста функциональности роботов растет и сложность решаемых ими задач. В настоящее время уже повсеместно встречаются автономные мобильные роботы – робокары, перемещающиеся по производственным помещениям, также стали довольно востребованы сервисные роботы – роботы для проведения экскурсий в музеях и выставочных центрах, роботы – официанты в кафе и ресторанах. Такие роботы работают в тесном контакте с окружающими объектами и людьми, поэтому к точности и безопасности их перемещений предъявляются слишком высокие требования.

В предыдущих работах уже рассматривались примеры решения задач перемещения мобильного робота в рабочей зоне. Также уделялось внимание процессу выполнения простейших маневров по объезду препятствий, встречающихся на пути.

Зачастую в реальных ситуациях мобильный робот сталкивается с препятствиями, расположенными произвольным образом в рабочей зоне, а также и с перемещающимися объектами. Каждый из таких объектов может быть потенциальным препятствием, поэтому в процессе своего движения мобильный робот должен иметь информацию обо всех объектах вблизи, чтобы в случае необходимости иметь возможность отреагировать на них.

Сбор, обработка и систематизация информации об объектах вблизи робота называется составлением локальной карты окружающего пространства. Использование локальной карты в задачах планирования маршрута робота или объезда препятствий называется локальной навигацией.

При разработке мобильных роботов нужно учитывать, какие задачи поставлены перед мобильным роботом, чтобы подобрать необходимые сенсорные устройства для их решения. Так, например, для решения задачи перемещения внутри рабочей зоны робот может быть оснащен дорогими лазерными сканирующими дальномерами и GPS-устройствами для определения собственного положения, тогда как для решения задачи локальной навигации мобильный робот может быть оснащен простыми ультразвуковыми или инфракрасными датчиками по периметру.

Рассмотрим типичную для роботов из данного образовательного модуля задачу. Нам уже не раз встречались мобильные роботы для перемещения вдоль линии, каждый из них был оснащен набором ИК-датчиков или ИК-массивом для обнаружения линии. Поскольку задача перемещения вдоль линии является главной, то в качестве основной сенсорной системы, на основании показаний которой перемещается робот, выбираем систему ИК-датчиков.

В случае если передвижению мобильного робота могут препятствовать различные объекты, по периметру робота можно расположить ИК-датчики, с помощью которых робот может обнаруживать препятствия с каждой из сторон. Количество подобных датчиков определяется возможностями программируемого контроллера, габаритами робота и объектов в зоне его функционирования.

В рамках данной работы предлагается сконструировать робота, оснащенного тремя ИК-датчиками, расположенными спереди и по бокам робота. С помощью этих датчиков робот должен обнаруживать препятствия, возникающие по ходу его движения.

Предлагается рассмотреть ряд приемов, которые могут быть использованы разработчиками как метод усовершенствования системы управления мобильного робота, благодаря чему она сможет выполнять более широкий спектр задач.

Обнаружение объектов или неровностей поверхности в процессе движения

Достаточно часто при движении мобильных роботов по пересеченной местности возникают ситуации, в которых робот не может преодолеть то или иное препятствие на своем пути.

Очень часто разработчики мобильных роботов акцентируют свое внимание на проблемах взаимодействия робота и окружающей среды в процессе движения – это могут быть сенсорные системы для обнаружения препятствий, системы определения уровня вибраций и системы стабилизации и др.

В рамках данной части предлагается рассмотреть модель робота, анализирующего наличие препятствий на собственном пути, а также оценку возможности дальнейшего перемещения. Под этим понимается анализ рабочей поверхности, например поиск обвалов и ям на пути и т.п.

Разрабатываемый нами робот оснащается массивом ИК-датчиков для исследования поверхности по которой он перемещается и тремя ИК- датчиками, расположенными по периметру робота, для обнаружения препятствий во время движения.

Алгоритм движения робота достаточно прост – робот движется прямолинейно и если он обнаруживает препятствие у себя на пути, он совершает поворот налево, если же на пути робота встречается обрыв или область черного цвета («неровность» поверхности), робот разворачивается и едет в противоположную сторону и налево.

По большому счету программа сводится к единственному бесконечному циклу, анализирующему показания ИК-датчика, подключенного к PORT[6], а также срабатывание массива ИК-датчиков в режиме поиска препятствий.

Режим IR Obstacle Detected – это один из базовых режимов работы массива ИК-датчиков, в котором автоматически определяется факт срабатывания одного из 7 датчиков. Данная функция выбирается в меню панели управления на ряду с другими, такими как: возврат текущего значения или срабатывание по пороговому значению.

Таким образом, используя даже такие простые средства, как в данном наборе можно смоделировать и исследовать процесс применения мобильного робота в произвольной рабочей зоне. В качестве задания для закрепления результатов можно рассмотреть процесс объединения двух задач воедино – задачи следования по линии как основной рабочей и задачи, рассмотренной в данном разделе.

Объезд препятствия по периметру

Ранее нами рассматривались задачи объезда препятствий в процессе движения робота по маршруту. В предыдущих работах акцентировалось внимание на алгоритмическую составляющую – поиск препятствия и принятие решения о маневре, а под препятствием понимался объект, который объезжался роботом за один маневр.

В реальной ситуации объекты, встречающиеся на пути робота, могут обладать большими габаритами и объезд их может быть затруднен. В связи с этим, необходимо предусматривать ситуацию в которой робот будет перемещаться вокруг объекта с целью вернуться на заданную траекторию и продолжить движение дальше.

Для того чтобы мобильный робот мог обнаруживать препятствие в процессе его объезда, необходимо расположить один из ИК-датчиков сбоку. В этом случае, подъехав к объекту и начав маневр по его объезду, система управления робота будет постоянно контролировать расстояние до объекта.

Расположим три ИК-датчика на переднем бампере робота, два из них направим по обе стороны от робота, а центральный – в направлении движения. С помощью этих датчиков робот может обнаруживать объект и контролировать расстояние до него при маневрировании вокруг.

При движении робот постоянно анализирует расстояние до объекта, и в случае если расстояние меньше заданного – он отъезжает от него левее, а если больше – приближается, поворачивая направо. Если в процессе движения вдоль объекта он исчезает из виду, робот поворачивает направо, чтобы приблизиться к объекту либо объехать его с другой стороны.

Вышеуказанная процедура выполняется в цикле, описываемом программой, состоящей из четырех последовательных условий. Каждое из условий соответствует одному из рисунков: в первом случае происходит вызов функции l_slight_turn для поворота налево, во втором случае вызывается функция forward для прямолинейного движения, в третьем случае вызывается функция r_slight_turn для поворота направо и в последнем случае осуществляется поворот направо с помощью функции r_corner_turn.

Движения робота задаются традиционным образом с помощью функций, изменяющих направление и скорость вращения колес.

Отдельно рассмотрим функцию r_corner_turn, предназначенную для объезда препятствия справа. Данная функция сначала вызывает функцию forward_shortly, благодаря чему робот перемещается немного вперед, после чего вызывается функция right_turn для поворота направо. Поворот направо осуществляется до тех пор, пока расстояние до объекта станет не менее значения, задаваемого переменной thresh-old_4

Каждое из подобных условий определяется порогом срабатывания датчика, значения которого выбирается в зависимости от необходимого расстояния, на котором необходимо находиться относительно объекта при движении.

Указанные выше значения переменных threshold могут быть подобраны опытным путем, а могут быть рассчитаны на основании характеристики датчика. Каждый датчик имеет собственную характеристику – зависимость выдаваемого значения от расчетной величины. Применяемые нами ИК-датчики имеют выходную характеристику, являющуюся зависимостью интенсивности отраженного света от расстояния до объекта.

На основании приведенного графика можно подобрать такие значения переменной threshold, при которых мобильный робот будет обнаруживать объекты на заданном расстоянии и объезжать их, не приближаясь более чем положено.

Информация о характеристике датчика крайне важна при проектировании системы управления робота. Благодаря ей можно рассчитать точные перемещения исполнительного механизма, так и всего робота в целом.

Заключение

В рамках данной работы были изучены основы локальной навигации мобильных роботов и проведены эксперименты с реальной моделью робота. Методы и подходы, рассмотренные в процессе проведения эксперимента с роботом, являются достаточно общими и применимыми в любой другой аналогичной задаче.

С помощью подобных алгоритмов робот может маневрировать в среде с различными объектами и объезжать препятствия произвольных габаритов. Несмотря на кажущуюся простоту и универсальность методов необходимо заранее оценивать условия применения мобильного робота.

Невозможно разработать систему управления на все случаи жизни, в одной ситуации робот сможет применяться успешно, а в другой ему может не хватить точности перемещений или собственной маневренности для избежания столкновения с объектом.

При разработке робота должны быть учтены все влияющие на него факторы и определены методы по их оценке и компенсации. Возможно, в одном из случаев необходимо будет изменить состав сенсорной системы робота и применить более технически совершенные датчики, а в другом случае может быть достаточно применения тех же самых технических средств, но другим образом.

В рассматриваемом во второй части примере в программе управления робота применялась функция r_corner_turn, предназначенная для объезда робота справа. Принцип работы ее заключался в небольшом перемещении вперед, за время задаваемое таймером, и последующем выполнении поворота.

При выезде передней части робота за габариты объекта датчик, подключенный к PORT[5], перестает видеть препятствие, и последующий поворот осуществляется роботом вслепую. Для того чтобы робот гарантированно выехал за габариты объекта перед выполнением поворота, предлагается установить второй ИК-датчик на борту робота, но уже сзади. Благодаря этому робот сможет продолжать прямолинейное движение ровно до тех пор, пока он полностью не проедет препятствующий движению объект.

Данный пример иллюстрирует адаптивный подход к процессу разработки системы управления робота. К сожалению, не существует универсального решения на все случаи и нельзя рекомендовать один или несколько алгоритмов, способных решить любую задачу. Разработчик должен сам определить критерии, определяющие работоспособность проектируемой системы, и предложить способы их решения и дальнейшей реализации.

Источник: Методические пособия по роботехнике для начинающих компании ООО «Экзамен-Технолаб».

ООО «Прикладная робототехника»

© Robot Geeks, 2014. Использование материалов Сайта разрешается только с согласия администрации

Как работает система навигации нашего мозга

Что помогает нам ориентироваться в пространстве.Ученые до сих пор не знают, как именно мозг создает пространственные карты или как они используются при навигации. Но работа О «Кифа и Мозеров объясняет не просто навигационную систему мозга

Наш мозг составляет свои карты местности. Но где он их хранит? Когда обновляет? И как нам удается балансировать между четкими инструкциями «пройти прямо двадцать шагов и повернуть налево» и размытыми ощущениями вроде «помнится, я здесь уже был и также разглядывал это нелепое граффити на стене»? Quanta Magazine рассказывает об открытии в мозге системы навигации, за которое в 2014 году исследователи получили Нобелевскую премию по физиологии и медицине.

Google Maps, мощный онлайн-инструмент для создания карт, своим успехом обязан двум главным составляющим: системе GPS, которая определяет место объекта на Земле, и «личной» карте, которая содержит исчерпывающую информацию о вашем доме или любимом ресторане, куда вы любите заглядывать после работы за пончиками. Выяснилось, что наша внутренняя система навигации во многом работает похожим образом. К таким выводам пришли трое ученых, которые получили в этом году Нобелевскую премию по психологии и медицине. Приз «За открытие системы клеток в мозге, которая позволяет ориентироваться в пространстве» разделили между собой Джон О «Киф, нейрофизиолог из Университетского колледжа Лондона, и супруги-нейрофизиологи Мэй-Бритт и Эдвард Мозер из Норвежского университета естественных и технических наук.

Еще в 1971 году Джон О «Киф обнаружил специальные нейроны, «нейроны места» (place cells), которые помогают животным определять точное положение в пространстве. Гораздо позже Мозеры, ученики и последователи О «Кифа, открыли «координатные нейроны» (grid cells), необходимые для того, чтобы выстраивать правильную траекторию. Первые исследования проводились на крысах, но вскоре оба эти типа клеток были обнаружены и в мозге млекопитающих, в том числе и человека.

Такая система ориентирования может использовать и некоторые абстрактные свойства или ощущения. Так, координатные нейроны не просто реагируют на сенсорные сигналы (такие, как запах земли, например). Они выстраивают определенную внутреннюю систему координат, которую вместе с информацией от различных сенсоров используют уже нейроны места для формирования нашего ощущения пространства.

Дальнейшее изучение того, как мозг создает когнитивные карты, может привести к новым открытиям в области нейрофизиологии. «Есть какая-то глубокая связь между памятью и пространством,» — говорит Мэтью Уилсон, нейрофизиолог из Массачусетского технологического института. Кроме того, что координатные нейроны и нейроны места выполняют функцию внутренней GPS, они, возможно, еще ответственны за сохранность наших воспоминаний.

Нейроны места были найдены в гиппокампе — долгое время считалось, что именно в этой области хранится память. Если его удалить, как в случае со знаменитым пациентом Г. М., мозг теряет способность создавать новые воспоминания. Но открытие О «Кифа показало, что кроме этого гиппокамп ответственен и за навигацию.

О «Киф регистрировал электрические импульсы в гиппокампе крыс, свободно перемещавшихся в новом пространстве. Он увидел, что те или иные нейроны активизировались в зависимости от места, где находилось животное. Изменяя привычную среду, О «Киф показал, что крысы не просто реагируют на сенсорные сигналы, — дело тут в более сложном чувстве пространства.

В книге «Гиппокамп как когнитивная карта», опубликованной в 1978-м, Джон О «Киф и его соавтор Линн Нэйдел рассказывали о том, что эта пространственная система, кроме выполнения основной функции, еще упорядочивает личные воспоминания в зависимости от того, где происходили события. Скажем, когда вы сидите за кухонным столом в доме, где провели детство, вам наверняка вспоминается любимый яблочный пирог с последнего проведенного здесь дня рождения.

Три десятилетия спустя Мозеры открыли систему клеток, которые, как полагали ученые, обеспечивают пространственной информацией нейроны места. Они ставили датчики на некоторые нейроны в энторинальной области коры мозга крыс, которая связана с гиппокампом, а затем оставляли животных бегать в клетке. Составляя карту тех участков, где у крыс активизировались определенные нейроны, ученые обнаружили, что пол клетки разбивался на несколько равносторонних треугольников. Карта получилась настолько точной, что ученые сперва заподозрили сбой оборудования.

Одна из самых интересных деталей этого открытия в том, что координатные нейроны работают, даже если животное находится в полной темноте, то есть без каких-либо визуальных подсказок. «Этот факт отражает внутреннюю динамику мозга, которая, в каком-то смысле, не зависит от данных внешнего мира. Вот почему это настолько феноменальное открытие — оно дает нам возможность понять происходящие внутри процессы,» — говорит Джим Кирим, нейрофизиолог из Университета Джона Хопкинса в Балтиморе.

Ученые до сих пор не знают, как именно мозг создает пространственные карты или как они используются при навигации. Но работа О «Кифа и Мозеров объясняет не просто навигационную систему мозга — теперь нейрофизиологи могут использовать данные координатных клеток и нейронов места, чтобы ответить на множество вопросов.

Например, ученые хотят узнать больше о том, как мозг преобразует информацию о мире в электрические сигналы и как новая информация объединяется со старой. «Если мы хотим понять работу мозга, мы должны знать, как данные из зоны А преобразуются в данные для зоны Б», — говорит Джим Кирим. Процесс, в ходе которого координатные нейроны доставляют информацию до нейронов места в гиппокампе, дает возможность ученым исследовать этот вопрос.

Ученые также использовали свойства нейронов места, чтобы узнать больше о памяти. Как только крыса пробегает через лабиринт, активизируется последовательность определенных нейронов места. Когда крыса засыпает, эта последовательность вновь «проигрывается» в ее мозге — ученые считают, что это помогает перевести информацию из гиппокампа в область долгосрочной памяти.

Более свежие исследования сна показывают, что в мозге крысы будет проигрываться эта же последовательность, когда она вновь окажется в лабиринте и должна будет выбирать правильный путь. «Мы знаем, что крысы могут совершать путешествия во времени в своей голове, и мы смогли это выяснить только благодаря нейронам места», — говорит Дэвид Редиш, нейрофизиолог из Университета Миннесоты в Миннеаполисе о том, что крысы могут переживать события прошлого.

Многие исследователи считают, что память и пространство еще более тесно связаны между собой. В Древней Греции ораторы, чтобы запомнить речь, мысленно связывали каждый отрывок речи с каким-то участком дороги, ведущей через город. В основе такой мнемотехники лежит тот факт, что гиппокамп кодирует как пространственную информацию, так и автобиографические воспоминания. «Получается, что пространство — это хороший способ организации личного опыта», — резюмирует Мэтью Уилсон.

Понравилась статья? Напишите свое мнение в комментариях.
Подпишитесь на наш ФБ:

5 трендов робототехники: нейросети, распознавание речи и эмоций, навигация и системы безопасности

Робот — это не только «Валлиподобное» существо, но любое автоматическое устройство, которое осуществляет определенные действия по запрограммированному алгоритму. Роботы — это голосовые помощники, экскурсоводы в некоторых музеях, манипуляторы на производствах. Масштабы интеграции роботов в человеческую жизнь заставляют правительства и компании думать о повышении уровня безопасности и защиты человека от возможных ошибок роботов. Директор по развитию компании «Промобот» Олег Кивокурцев разобрался в главных вызовах робототехнической индустрии в 2020 году и собрал ключевые кейсы внедрения роботов в нашу жизнь.

Нейросетевые технологии

Каждый день выходят новости о новых применениях нейронных сетей. В США создается нейросеть, анимирующая 2D-изображения: она обрабатывает данные об объекте, отделяет его от фона и других объектов, а затем создает 3D-модель и механизм ее движения, заполняет фон, который ранее был закрыт объектом. В Израиле нейросеть определяет интеллект по форме черепа — система анализирует черты лица человека и на их основе определяет, какие особенности заложены в его ДНК. В России создают нейросеть, способную торговать криптовалютой — анализировать рынок и делать прогнозы.

Искусственная нейронная сеть (ИНС) — математическая модель (а также ее программное или аппаратное воплощение), построенная по принципу организации и функционирования биологических нейронных сетей — нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы.

Сфер применения этой технологии достаточно много. Например, нейросеть должна отличать собак и кошек. Для настройки алгоритма дается большой массив подписанных изображений кошек и собак. Нейросеть анализирует признаки объектов на этих картинках и строит распознавательную модель, которая минимизирует процент ошибок относительно эталонных результатов.

Кстати, когда Google просит вас подтвердить, что вы не робот, и отметить светофоры или автобусы, вы проходите не элементарный тест на когнитивные способности, а обучаете нейросеть различать объекты дорожной инфраструктуры. Система будет использоваться в беспилотниках.

Применение нейронных сетей ничем не ограничено, однако свое наиболее широкое применение в робототехнике нейросети нашли в голосовых помощниках и взаимодействии с людьми. Нейросети обеспечивают точность ответа на вопросы. Качество голосового помощника зависит именно от них. Среди голосовых помощников можно выделить Alexa от Amazon, Cortana от Microsoft и Siri от Apple. Среди русских голосовых помощников — «Алиса» от Яндекса.

Чем более качественно обучена нейросеть, тем лучше она подбирает ответы на запросы собеседника: понимает обратный порядок слов, контекст и непрямой запрос. Именно это направление станет одним из самых перспективных в разработках будущего. Поскольку интернет меняет социальные процессы, скорость передачи информации и вообще темп жизни колоссально выросли. Но человек становится все более одиноким. Станет актуален робот-компаньон, который будет удовлетворять потребность в общении, понимании, поддержке.

В Японии уже появляются цифровые компаньоны, функционал которых выходит за рамки простых консультантов. Они становятся помощниками, друзьями и даже женами. Запад тоже не отстает: 47 млн жителей США (а это почти 20% всего взрослого населения) пользуются умными колонками, Amazon Echo или Google Alexa. Причем, исходя из последних исследований, пользуются умными колонками, не только чтобы давать им команды. 25% берут их с собой спать, 20% шутят с ними, 15% используют как няню для детей — колонка рассказывает сказки и помогает отвлечь ребенка.

Умение поддерживать диалог станет одним из ключевых требований к роботам и одним из перспективных и востребованных направлений разработки.

Система распознавания речи

Одно дело просто подобрать ответ на запрос, но правильно услышать и расшифровать запрос собеседника намного труднее. На точность влияют все элементы системы распознавания речи: обучающая выборка и сами алгоритмы распознавания.

Влияет качество аудиопотока — отношение сигнал/шум, разборчивость речи и громкость. Современные системы пытаются дополнять «нерасслышанное» за счет лингвистических моделей — в каждом языке есть свои устойчивые выражения и устойчивые связки слов.

То есть когда говорят, что для распознавания используется контекст, то понимается наличие подстройки под распознавание за счет дополнительных данных, например, конкретные фразы использования, как в умных колонках, или использование определенного словаря для конкретной предметной области.

Точность или качество распознавания считается как отношение правильно распознанных слов к количеству всех произнесенных слов, также добавляется метрика ложных распознаваний как отношение ложно распознанных слов ко всем распознанным словам.

Компания LG представила в 2018 году своего домашнего помощника. На сцене Дэвид Вандервол, старший директор по маркетингу, пытался продемонстрировать Cloi — нового домашнего помощника от LG. По размеру чуть больше капельной кофеварки, Cloi должна находиться на столе, у нее нет рук и колес, ее голова вращается и кивает во время разговора. Это голосовой помощник, предназначенный помогать в организации вашей жизни.

На сцене Вандервол спрашивал у Cloi, когда закончится стирка — относительно простой запрос должен был точно продемонстрировать, какого именно помощника LG намерена продавать. В ответ Cloi ошеломляюще замолчала.

«Даже у роботов бывают тяжелые дни, — пытался отшутиться Вандервол. — Так, если нам известно, когда закончится стирка, то можно синхронизировать работу стиральной машины с сушилкой и вспомнить, что у нас в холодильнике курица, срок годности которой истекает через три дня. Похоже, мы должны ее приготовить. Cloi, включайся в беседу: что я могу приготовить из курицы».

Но даже на эту фразу Cloi ничего не ответила.

Неизвестно, что стало причиной провала: большое пространство с акустикой, качество интернет-соединения или же недоработки в ПО. Так или иначе, робот-проводник между человеком и техникой попросту не работал.

Флагманом индустрии считается Google — уже много лет он занимается разработками в этой области, достигнув наибольшей точности и стабильности распознавания. Летом он представил обновленный голосовой помощник — и утверждает, что точность распознавания (английского языка) сопоставима с человеческой. Чтобы обработать запрос и выдать релевантный ответ, системе Google требуется не более секунды.

Промобот

Однако для использования системы распознавания от Google необходимо приобретать лицензии, и это достаточно дорого. К тому же, устройство с распознаванием речи может использоваться в самых разных условиях. Параметры распознавания для домашнего помощника и робота в местах повышенного скопления людей разные. И эту специфику стараются учитывать разработчики «Промобота» — они разрабатывают систему микрофонных массивов и офлайн распознавания. Это позволит роботам меньше зависеть от качества интернет-соединения и оставаться хорошим собеседником как при нестабильном соединении, так и в шумных помещениях.

Технология распознавания лиц и эмоций

Для того, чтобы организовать качественное взаимодействие между человеком и роботом, необходимо понимать, кто находится перед машиной и какие эмоции испытывает человек. Такие данные позволят ему выбирать наиболее эффективную коммуникационную стратегию, делать релевантные предложения. Например, предложить скидку на любимый сорт мороженого, чтобы вы не грустили, или сообщить об акции в отделе косметики, если робот видит перед собой девушку.

Российская компания VisionLabs предлагает самые разные отрасли применения данной технологии. Платформа распознавания лиц LUNA позволит владельцу открывать машину без ключа и оплачивать покупки с помощью селфи. Распознавание лиц от VisionLabs внедрено в пропускную систему школы Сбербанка, используется для верификации студента при сдачи экзаменов в Московском институте психоанализа.

Если говорить о распознавании эмоций, то оно востребовано индустриями, где предполагается обслуживание. Например, «Альфа-банк» тестирует систему распознавания эмоций клиента. Алгоритм анализирует выражение лица посетителя, после обслуживания выставляет оценку. Так банк получает обратную связь, не прибегая к опросам и интервью.

«Промобот» и Neurodata Lab запустили пилотный проект робота-эмпата, способного распознавать до 20 эмоциональных состояний человека. В соответствии с распознанной эмоцией робот будет выстраивать общение — ободрять или успокаивать собеседника, начнет шутить и дерзить, если заметит положительную реакцию. Пока проект находится на стадии тестирования, однако робот уже был представлен на CES-2019.

Система навигации

В зависимости от задач, существуют outdoor- и indoor-технологии. Outdoor-навигация нужна для беспилотных автомобилей и летательных аппаратов, indoor-навигация — для охранных и сервисных роботов в зданиях.

Сегодня существуют два типа навигации: глобальные и локальные. Глобальные предполагают навигацию по спутниковым системам, они востребованы в системах outdoor, но непригодны для indoor. Не всегда есть связь и низкая точность отображения положения. Локальные включают в себя навигацию посредством ультразвуковых, оптических и инфракрасных систем. Существующие системы — дорогие, потому главным вызовом на 2020 год станет их удешевление.

Например, система датчиков для автомобиля Tesla стоила несколько сотен тысяч долларов. Но вследствие большого распространения автомобилей с автопилотом стоимость лидара уменьшилась из-за перехода из нишевого и дорогого товара в область широко распространенного. А также с появлением доступных и дешевых СВЧ-решений в робототехнике начинают применять радары миллиметрового диапазона, что раньше было доступно только как дорогая опция премиум-автомобилей.

Например, стартап Marvelmind создал высокоточную систему indoor-навигации стоимостью $349. Однако для его работы нужно от четырех стационарных маяков и один мобильный маяк, что затрудняет его применение на больших площадях и вне помещений.

Навигационные устройства от Marvelmind

Если говорить о роботах в привычном понимании, то для того, чтобы робот «Промобот» передвигался самостоятельно, без столкновений, разработчики используют почти все типы измерений: ультразвук, инфракрасные датчики ближнего действия, лидары. Это обеспечивает максимальный уровень безопасности передвижения робота.

Информационная безопасность

Обеспечение безопасности — самое главное направление робототехники. После спада эйфории относительно роботов люди начали задумываться о безопасности себя и своих данных.

Тренды угроз информационной безопасности в сфере робототехники, в целом, не сильно отступают от общих в информационной среде. Развитие интернета вещей повлияло на активное распространение ботнет-сетей, что, к сожалению, также актуально и для подавляющего числа роботизированных устройств.

Производители часто пренебрегают серьезной защитой от киберугроз или же вообще ей пренебрегают, что приводит к использованию роботов с целью шпионажа, фишинга или кражи данных.

Недавно исследователи Positive Technologies заметили, что роботы-пылесосы подслушивают своих хозяев и передают эту информацию через интернет — и даже могут майнить криптовалюту. Используя уязвимости в системе безопасности, злоумышленник может перехватить конфиденциальные данные через сетевой трафик: это не только ваши фото, но даже данные банковского счета.

В начале года был опубликован отчет об уязвимостях робота Pepper. Экспертам удалось передать на устройство сторонние файлы без аутентификации и даже войти в аккаунт суперпользователя. Также они смогли осуществить перехват платежной информации, данных с видеокамер и микрофонов.

С точки зрения серьезности последствий, сегодня вопрос наиболее остро стоит в сфере промышленной робототехники. На конец 2018 года число атак на информационные сети российских АСУ ТП выше, чем на банки или частных лиц, а резонансные ситуации с вирусами-шифровальщиками служат подтверждением, что даже АЭС может стать жертвой кибератаки.

Одним из решений данной проблемы может стать использование ИИ для менеджмента безопасности, что уже сегодня постепенно реализуется ведущими производителями антивирусных систем.

Вместе с тем в ближайшие несколько лет количество роботов, с которыми нам приходится сталкиваться каждый день, существенно возрастет. От этого критерия зависит безопасность человека — ключевое направление, мировая робототехника обратит внимание на эту сферу как можно раньше.

Количество автоматизированных процессов растет, а значит и все больше роботов проникает в нашу повседневность. Требования к качеству работы роботов возрастают, поскольку они выходят на уровень инфраструктурной единицы, а не диковины и причуды. С развитием наиболее востребованных отраслей робототехники необходимо повысить качество работы голосовых ассистентов, включающих распознавание речи, качество обработки запросов и ответ на них. Для распространения беспилотников и сервисных роботов требуется удешевление систем навигации. Главным образом, для обеспечения безопасности человека и его данных при взаимодействии с роботами необходимо исключить все уязвимости в системе безопасности. Это и есть главные вызовы на 2020 год.

Источники:
http://www.itweek.ru/themes/detail.php?ID=66917
http://zdavnews.ru/teper-za-robotami-popadaushimi-v-organizm-cheloveka-mojno-sledit/
http://toster.ru/q/240041
http://robotgeeks.ru/blogs/lessons/osnovy-lokalnoy-navigatsii-mobilnyh-robotov
http://econet.ru/articles/62012-kak-rabotaet-sistema-navigatsii-nashego-mozga
http://promo-bot.ru/blog/5-trendov-robototekhniki/
http://humanstory.ru/science/nano-tkan-564

Ссылка на основную публикацию