ناوبری ربات های متحرک در زمین های ناهموار بهبود می‌یابد

دانشمندان سیستم جدیدی را ابداع کرده اند که می تواند ناوبری ربات های متحرک را در زمین های ناهموار بهبود ببخشد.

به گزارش تکناک، با پیشرفته تر شدن روبات های متحرک ، عمکرد آنها در طیف وسیعی ازحالتها در دنیای واقعی نیز بهبودمی یابد.

یکی از عواملی که استفاده از ربات های متحرک  را در مقیاس بزرگ ممکن می‌سازد، توانایی آن‌ها در حرکت مستقل در محیط‌های مختلف است.

تاکنون، بسیاری از ربات‌های متحرک به نتایج امیدوارکننده‌ای در جهت‌یابی به صورت مستقل  در محیط‌های ساده، به‌ویژه در کف یا زمین صاف  دست یافته‌اند. با این حال، در دنیای واقعی، بسیاری از محیط‌ها، از جمله کارخانه‌های صنعتی، برخی جاده‌ها و محیط‌های طبیعی، دارای زمین‌های ناهموار، با چاله یا دست اندازها در زمین، به هم ریختگی و سایر موانع هستند.

محققان آکادمی علوم روسیه و دانشکده عالی اقتصاد دانشگاه تحقیقات ملی در مسکو اخیراً یک سیستم ناوبری جدید ایجاد کرده اند که می تواند توانایی ربات های متحرک را برای حرکت بر روی سطوح ناهموار بهبود بخشد و در عین حال از انواع مختلف موانع نیز اجتناب کند.

این سیستم که در مقاله ای از پیش منتشر شده در arXiv ارائه شده است، می تواند به تسهیل استقرار ربات ها در محیط های پیچیده تر و به هم ریخته تر با زمین های ناهموار کمک کند.

استپان درگاچف، کریل موراویف و کنستانتین یاکولف در مقاله خود نوشتند: ناوبری ایمن در زمین‌های ناهموار یک مشکل مهم در تحقیقات روباتیک است. ما یک سیستم ناوبری 2.5 بعدی را پیشنهاد می کنیم که شامل ساختن نقشه ارتفاع، برنامه ریزی مسیر و دنبال کردن مسیر محلی با اجتناب از موانع است. برای دنبال کردن مسیر محلی، ما از روش کنترل انتگرال مسیر پیش بینی مدل (MPPI) استفاده می کنیم.

سیستم ناوبری ربات پیشنهاد شده توسط درگاچف و همکارانش بر اساس MPPI، الگوریتمی برای بهینه سازی و تصحیح مسیرهای غیرخطی است که توسط محققان موسسه فناوری جورجیا در سال 2016 معرفی شد. تیم برای هدف مطالعه خود، این الگوریتم را اقتباس کرد. به طوری که برای بهینه سازی مسیرها در محیط هایی با زمین های ناهموار با استفاده از نقشه های ارتفاعی 2.5 بعدی مناسب باشد.

درگاچف و همکارانش در مقاله خود توضیح دادند: ما از یک نقشه ارتفاع محلی به عنوان ورودی برای الگوریتم MPPI استفاده می کنیم. MPPI توسط مقادیر قابلیت عبور زمین محاسبه شده توسط این نقشه ارتفاعی هدایت می شود. این مقادیر قابلیت عبور از شیب شیب، ناهمواری سطح و سایر پارامترها محاسبه می شود.

درگاچف و همکارانش سیستم ناوبری خود را در یک سری آزمایش بر روی محیط های شبیه سازی شده، با استفاده از سه نقشه مختلف ارتفاع، ارزیابی کردند. در این آزمایش‌ها، ربات‌ها باید به مکان خاصی می‌رسند و در عین حال بر سه مانع متمایز بر سر راه خود غلبه می‌کنند، یک مخروط کوتاه، یک سطح شیبدار و چند گودال.

محیط های شبیه سازی شده مورد استفاده در این آزمایش ها با استفاده از شبیه ساز Gazebo ایجاد شده اند و با موانع مختلف و انواع زمین های ناهموار مشخص می شوند. محققان کارایی سیستم خود را در این محیط ها با استفاده از مدلی از یک ربات چهار چرخ دیفرانسیل آزمایش کردند.

درگاچف و همکارانش دریافتند که سیستم آن‌ها در شبیه‌سازی‌هایشان بسیار خوب عمل می‌کند، به طوری که ربات تقریباً 100 درصد مواقع با موفقیت موانع را دور می‌زند و در زمین‌های ناهموار حرکت می‌کند. با این حال، برای تأیید پتانسیل آن، تیم در نهایت باید آن را در یک محیط واقعی با استفاده از یک ربات فیزیکی آزمایش کند.

اگر سیستم در یک محیط واقعی نیز عملکرد خوبی داشته باشد، در نهایت می توان آن را توسعه داد و در تحقیقات بیشتر مورد استفاده قرار داد. توسعه این سیستم  می‌تواند ناوبری ربات های متحرک در محیط های نا هم وار را بهبود بخشد

محققان در مقاله خود به این نتیجه رسیدند: در آینده، ما قصد داریم با موازی کردن محاسبات با استفاده از جعبه ابزار CUDA ویاOpenCL، اجرای کارآمدتری از الگوریتم MPPI ایجاد کنیم. یکی دیگر از زمینه های کار آینده افزایش استحکام MPPI و تطبیق آن با کلاس بزرگتری از سیستم های پویا خواهد بود.