自主移动机器人已经在进行测试，并用于包裹递送、监视、搜索和救援任务、行星/空间探索以及环境监测等应用。为了让这些机器人成功完成任务，它们需要能够在不平坦的室外地形中安全可靠地运行，而不会与附近的障碍物发生碰撞。
马里兰大学帕克分校（UMDCP）的研究人员最近开发了一种新的机器学习方法，可以提高机器人在不平的室外地形和障碍物情况下导航的可靠性。他们的研究由UMDCP的GAMMA研究小组在2022年IEEE机器人和自动化国际会议上提出。
领导该研究项目的UMDCP教授Dinesh Manocha告诉TechExplorer：“我们观察到地形几何特征，包括海拔变化或粗糙度，在导航过程中会显著影响机器人的运动稳定性。”。“因此，机器人必须感知环境中的这些地形特征，才能做出安全的导航决策。”
在Manocha和他的学生开始研究机器人导航方法之前，研究人员仔细观察了人类在复杂的室外环境中移动时的运动策略。有趣的是，他们注意到，人类在移动时并没有关注整个环境，而是关注他们认为至关重要或重要的空间区域。
Manocha团队开发的机器人导航方法受到了他们在人类身上观察到的运动行为的启发。这种称为TERP（基于地形高程的机器人路径规划）的方法基于他们开发的深度强化学习（DRL）技术。
“我们新颖的混合机器学习架构将基于注意力的DRL网络的中间输出结果与一种新颖的轨迹规划方法相结合，”从事该项目的博士生Weerakoon解释道。“这些中间结果有助于识别和避免导航过程中环境中具有挑战性或不安全的区域。我们的方法采用了经过充分训练的DRL网络，该网络使用海拔图、机器人姿势及其目标作为输入来计算注意力遮罩。”
然后，由该团队算法计算出的注意力遮罩将移动机器人引导到其周围环境中它应该特别关注的区域，以实现稳定的导航。最终，该掩码将与该方法生成的输入高程图相结合，创建二维导航成本图。然后，使用该地图跟踪机器人到达所需位置的安全可靠轨迹。
“在之前的研究中，我们观察到，当从模拟地形过渡到真实地形时，端到端DRL方法的性能显著下降，”从事该项目的另一位博士生Sathyamoorthy说。“然而，我们新的混合机器学习体系结构提高了导航性能。”
TERP的注意力成分可以显著增强机器人的空间意识，只需将注意力转移到手边导航任务的最关键区域即可。另一方面，他们方法中的航路点规划器组件可确保机器人遵循最具成本效益的轨迹到达目的地。
该项目的研究人员帕特尔说：“TERP在陡峭的海拔高度上生成相对稳定的轨迹，以最大限度地减少机器人翻转的风险。”。“此外，当在具有静态和动态障碍物的复杂地形上导航时，它可以避免不安全区域和障碍物。”
Manocha和他的学生使用Husky robot（Clearpath Robotics开发的无人移动机器人系统）在不同的真实环境中评估了他们的方法。在他们的测试中，机器人在地形不平坦的室外空间中导航，海拔增加达4米。
Manocha说：“我们展示了我们独特的混合配方，包括用于感知的注意力DRL网络和用于导航的航路点规划器，可以在复杂地形上获得较高的导航成功率。”。“这意味着我们的方法显著降低了机器人在具有挑战性的崎岖地形中导航时发生翻转的风险。”
在团队的初步评估中，TERP取得了显著的结果，表明它可以显著提高机器人在复杂室外环境中导航的可靠性。未来，它可以用于改善机器人在许多环境中的性能，例如为行星和空间探索、农业调查和复杂环境监测开辟新的可能性。
马诺查补充道：“我们计划在未来通过解决当前的一些限制来改进我们的系统。”。“特别是，我们观察到，除了地形高程外，纹理、凹凸度和变形性等表面特性还控制着机器人在复杂室外场景中的导航能力，我们正在研究处理此类场景的自我监督学习方法。我们还将这些方法扩展到腿式机器人的自主导航，如Boston Dynamics Spot robot。”
漏 2022科学X网络