Les chercheurs en robotique développent des algorithmes qui rendent la navigation mobile plus efficace

Les robots de livraison fabriqués par des entreprises telles que Starship Technologies et Kiwibot font de manière autonome dans les rues de la ville et dans les quartiers.

Sous le capot, ces robots – comme la plupart robots mobiles Aujourd’hui, utilisez une variété de capteurs différents et d’algorithmes logiciels pour naviguer dans ces environnements.

Les capteurs lidar – qui envoient des impulsions de lumière pour aider à calculer les distances des objets – sont devenus un pilier, permettant à ces robots de mener une localisation et une cartographie simultanées, autrement connues sous le nom de slam.

Cependant, ces composants sont à forte intensité de ressources et nécessitent de grandes quantités de mémoire pour une cartographie précise, limitant la capacité d’un robot à fonctionner sur de longues distances, explique Zihao Dong au doctorant de l’Université du Nord-Est.

« Après un certain temps, vous pourriez accumuler plus de 10 ou 20 gigaoctets de mémoire sur votre cache », dit-il. « Cela peut être une énorme surcharge de calcul à gérer. »

C’est à des roboticistes comme Dong pour aider à aborder ces goulots d’étranglement, en plongeant profondément dans les algorithmes qui permettent à ces robots de fonctionner comme ils le font.

À nouveau Recherche publiéeDong, sous la supervision de Michael Everett, professeur du nord-est de génie électrique et informatique, a développé une nouvelle approche de cartographie 3D qui, dans certains cas, est de 57% moins à forte intensité de ressources que les méthodes. L’œuvre est publiée sur le arxiv serveur de préimprimée.

L’algorithme de Dong, l’odométrie et la cartographie inertielle lidar assistée par la caractéristique profonde (DFLIOM), s’appuie sur une autre odométrie et cartographie inertielle lidar direct (DLIOM), qui utilise des unités de mesure inertielle et des unités de mesure inertielle et données lidar pour la cartographie 3D.

De même, DFLIOM utilise les mêmes technologies, mais introduit une nouvelle méthode d’environnements de numérisation qui nécessite non seulement l’utilisation de moins de données, mais dans certains cas, peut aider à réduire les inexactitudes, dit Everett.

La recherche aide à remettre en question l’idée que davantage de données équivalent à de meilleurs résultats, explique Everett.

« Il y a une grande poussée de la part des gens qui développent des capteurs pour dire: » Nous avons maintenant un capteur qui peut vous donner 10 fois plus de points qu’auparavant « , dit-il. » C’est une façon dont ils commercialisent les capteurs pour être plus utiles.

« En fait, du côté de l’algorithme, nous nous inquiétons parfois parce que maintenant vous avez plus de données à traiter, et le simple fait d’avoir plus de données n’est pas seulement une bonne chose parce que l’algorithme ne peut pas suivre », dit-il.

Avec ce travail, Dong et Everett essaient de relever ce défi et de répondre à cette question: « Comment pouvons-nous écrire des algorithmes qui ne peuvent extraire que les pièces importantes? »

Les chercheurs ont testé le algorithme Utilisant un mini robot mobile Agile X Scout Mini de Northeastern équipé d’un kit d’autonomie qui comportait un lidar d’éviction, un paquet de batterieet un mini PC Intel NUC. Le robot a créé des cartes 3D de diverses parties extérieures du campus du nord-est, notamment Centennial Common, Egan Crossing et Shillman Hall.

Cette histoire est republiée grâce à Northeastern Global News news.northeastern.edu.