Автономные роботы сталкиваются с серьезной проблемой — надежное определение местоположения зачастую невозможно из-за нестабильных спутниковых навигационных систем. Сигнал GPS может ослабевать возле зданий или пропадать в помещениях. Для эффективной работы роботам нужны альтернативные способы локализации — с опорой на датчики и продвинутые алгоритмы.
Ученые из университета Мигеля Эрнандеса в Эльче (Испания) разработали иерархическую систему локализации MCL-DLF (Monte-Carlo Localization — Deep Local Feature). Технология обеспечивает крупномасштабную и точную 3В-локализацию с помощью лидара и рассчитана на долгосрочную навигацию в больших пространствах. Система успешно прошла многомесячное тестирование в университетском кампусе — как в помещениях, так и на улице, в разных условиях окружающей среды.
Принцип работы MCL-DLF имитирует то, как люди ориентируются в незнакомой или меняющейся обстановке. Сначала робот производит грубую локацию: определяет приблизительный район, опираясь на глобальные структурные особенности в облаках точек 3D-лидара (например, постройки или растительность). Затем, когда район сужен, систему проводит точную локализацию — анализирует детальные особенности, чтобы установить точное положение и ориентацию робота.
Это похоже на то, как люди сначала ориентируются на общую местность, а затем, опираясь на мелкие отличительные детали, определяют свое точное местоположение
В основе метода — технологии глубокого обучения: они автоматически выделяют отличительные локальные признаки в трехмерных облаках точек и помогают избежать неоднозначности при работе с визуально схожими объектами. Выявленные особенности сочетаются с вероятностной локализацией методом Монте-Карло: система поддерживает несколько гипотез о местоположении и обновляет их по мере поступления данных с датчиков.
Главное преимущество MCL-DLF состоит в устойчивости к изменениям окружающей среды. Система показывает меньшую вариативность с течением времени и сохраняет высокую точность даже при сезонных изменениях.
Разработчики отмечают, что надежная локализация критически важна для сервисной робототехники, логистики, мониторинга окружающей среды, обследования инфраструктуры и беспилотных транспортных средств. Новая технология приближает нас к полноценной автономной навигации роботов в больших и динамически меняющихся средах без внешней инфраструктуры позиционирования.
Ранее Наука Mail рассказывала, что мозг пчел подскажет идеи для сверхэффективных компьютерных чипов.
