อัลกอริทึมช่วยให้หุ่นยนต์หลีกเลี่ยงอุปสรรคและวิ่งในที่โล่ง

ทีมนักวิจัยจากมหาวิทยาลัยแคลิฟอร์เนีย ซานดิเอโก ได้พัฒนาระบบอัลกอริทึมใหม่ที่ช่วยให้หุ่นยนต์สี่ขาเดินและวิ่งในที่โล่งได้ หุ่นยนต์สามารถเดินผ่านพื้นที่ที่ท้าทายและซับซ้อนได้ขณะหลีกเลี่ยงอุปสรรคที่อยู่นิ่งและเคลื่อนไหว

ทีมได้ทำการทดสอบโดยให้หุ่นยนต์เดินผ่านพื้นที่ทราย หินกรวด หญ้า และเนินเขาที่มีหนามและใบไม้หล่น ในขณะเดียวกันก็หลีกเลี่ยงการชนกับเสา ต้นไม้ พุ่มไม้ หิน ก้านไม้ และคน หุ่นยนต์ยังแสดงความสามารถในการเดินผ่านพื้นที่ออฟฟิศที่มีอุปสรรคต่างๆ ได้

การสร้างหุ่นยนต์สี่ขาที่มีประสิทธิภาพ

ระบบใหม่นี้ช่วยให้นักวิจัยใกล้จะสร้างหุ่นยนต์ที่มีประสิทธิภาพสำหรับภารกิจค้นหาและช่วยเหลือ หรือหุ่นยนต์ที่สามารถเก็บข้อมูลในพื้นที่ที่ยากเข้าถึงหรืออันตรายต่อมนุษย์

งานนี้จะถูกนำเสนอที่ การประชุมสัมมนาระหว่างประเทศเกี่ยวกับหุ่นยนต์ปัญญาและระบบ (IROS) ระหว่างวันที่ 23-27 ตุลาคม tạiเกียวโต ประเทศญี่ปุ่น

ระบบนี้ช่วยให้หุ่นยนต์มีความสามารถหลากหลายมากขึ้นเนื่องจากการผสมผสานระหว่างการมองเห็นของหุ่นยนต์กับโพรไพรโอเซปชัน ซึ่งเป็นรูปแบบการรับรู้ที่เกี่ยวข้องกับการเคลื่อนไหว ทิศทาง ความเร็ว ตำแหน่ง และการสัมผัส

วิธีการที่ใช้กันมากที่สุดในการฝึกหุ่นยนต์สี่ขาให้เดินและนำทางคือการใช้โพรไพรโอเซปชันหรือการมองเห็น แต่ไม่ได้ใช้ทั้งสองอย่างในเวลาเดียวกัน

การผสมผสานโพรไพรโอเซปชันกับการมองเห็นด้วยคอมพิวเตอร์

Xiaolong Wang เป็นศาสตราจารย์ภาควิชาวิศวกรรมไฟฟ้าและคอมพิวเตอร์ที่โรงเรียนวิศวกรรม Jacobs ของ UC San Diego

“ในกรณีหนึ่ง มันเหมือนกับการฝึกหุ่นยนต์ที่ตาบอดให้เดินโดยใช้การสัมผัสและรู้สึกพื้นเท่านั้น และในอีกกรณีหนึ่ง หุ่นยนต์วางแผนการเคลื่อนไหวของขาโดยอาศัยการมองเห็นเพียงอย่างเดียว มันไม่ได้เรียนรู้ทั้งสองอย่างในเวลาเดียวกัน” วังกล่าว “ในงานของเรา เราได้ผสมผสานโพรไพรโอเซปชันกับการมองเห็นด้วยคอมพิวเตอร์เพื่อให้หุ่นยนต์สี่ขาเคลื่อนไหวได้อย่างมีประสิทธิภาพและราบรื่น — ขณะหลีกเลี่ยงอุปสรรค — ในสภาพแวดล้อมที่ท้าทายและซับซ้อน ไม่ใช่เพียงสภาพแวดล้อมที่กำหนดไว้เท่านั้น”

ระบบที่พัฒนาขึ้นโดยทีมนี้ขึ้นอยู่กับชุดอัลกอริทึมพิเศษที่รวมข้อมูลจากภาพจริงที่ถ่ายจากกล้องความลึกบนหัวหุ่นยนต์เข้ากับข้อมูลจากเซ็นเซอร์บนขาของหุ่นยนต์

อย่างไรก็ตาม วังกล่าวว่านี่เป็นงานที่ซับซ้อน

“ปัญหาอยู่ที่ระหว่างการทำงานจริง มักจะมีความล่าช้าเล็กน้อยในการรับภาพจากกล้อง ดังนั้นข้อมูลจากสองรูปแบบการรับรู้จึงไม่มาถึงในเวลาเดียวกัน” เขาอธิบาย

ทีมได้แก้ไขปัญหานี้โดยการจำลองความไม่ตรงกันโดยการสุ่มชุดข้อมูลทั้งสอง นักวิจัยเรียกเทคนิคนี้ว่าการสุ่มความล่าช้าแบบหลายโหมด และใช้ข้อมูลที่สุ่มแล้วเพื่อฝึกนโยบายการเรียนรู้แบบเสริมกำลัง วิธีการนี้ช่วยให้หุ่นยนต์สามารถตัดสินใจได้อย่างรวดเร็วขณะเดินและคาดการณ์การเปลี่ยนแปลงในสภาพแวดล้อมได้ ความสามารถเหล่านี้ช่วยให้หุ่นยนต์เคลื่อนไหวและหลีกเลี่ยงอุปสรรคได้เร็วขึ้นบนพื้นที่ต่างๆ โดยไม่ต้องมีการช่วยเหลือจากผู้ควบคุม

ทีมจะพยายามทำให้หุ่นยนต์สี่ขามีความสามารถมากขึ้นเพื่อให้สามารถทำงานในพื้นที่ที่ซับซ้อนมากขึ้น

“ขณะนี้เราสามารถฝึกหุ่นยนต์ให้ทำการเคลื่อนไหวง่ายๆ เช่น เดิน วิ่ง และหลีกเลี่ยงอุปสรรค” วังกล่าว “เป้าหมายต่อไปของเราคือการทำให้หุ่นยนต์สามารถเดินขึ้นและลงบันได เดินบนหินเปลี่ยนทิศทาง และกระโดดข้ามอุปสรรค”