Os pesquisadores de robótica desenvolvem algoritmos que tornam a navegação móvel mais eficiente

Robôs de entrega fabricados por empresas como Starship Technologies e Kiwibot de maneira autônoma atravessam as ruas da cidade e através de bairros.

Sob o capô, esses robôs-como a maioria dos robôs móveis em uso hoje-usam uma variedade de sensores diferentes e algoritmos baseados em software para navegar nesses ambientes.

Os sensores LiDAR – que enviam pulsos de luz para ajudar a calcular as distâncias dos objetos – se tornaram um dos pilares, permitindo que esses robôs realizem localização e mapeamento simultâneos, também conhecidos como SLAM.

No entanto, esses componentes são intensivos em recursos e exigem grandes quantidades de memória para mapeamento preciso, limitando a capacidade de um robô de operar por longas distâncias, explica o estudante de doutorado da Northeastern University Zihao Dong.

“Depois de um certo tempo, você pode estar acumulando mais de 10 ou 20 gigabytes de memória em seu cache”, diz ele. “Isso pode ser uma enorme sobrecarga computacional para você lidar.”

Cabe a robóticos como Dong ajudar a abordar esses gargalos, investigando profundamente os algoritmos que permitem que esses robôs operem da maneira que o fazem.

Em pesquisa recém-publicada, Dong, sob a supervisão de Michael Everett, professor de engenharia elétrica e de computadores do nordeste, desenvolveu uma nova abordagem de mapeamento em 3D que, em alguns casos, é 57% menos intensiva de recursos do que os principais métodos. O trabalho é publicado no arxiv servidor pré -impressão.

O algoritmo de Dong, Deep Feature LiDAR Assistido por odometria e mapeamento inercial (DFLIOM), se baseia em outro chamado odometria e mapeamento inercial de lidar direto (DLIOM), que utilizam unidades de medição inercial e dados de lidar para mapeamento 3D.

Da mesma forma, o DFLIOM usa as mesmas tecnologias, mas apresenta um novo método de varredura que não apenas requer o uso de menos dados, mas em alguns casos pode ajudar a diminuir as imprecisões, diz Everett.

A pesquisa ajuda a desafiar a noção de que mais dados são iguais a melhores resultados, explica Everett.

“Há um grande empurrão das pessoas que desenvolvem sensores para dizer:” Agora temos um sensor que pode dar a você 10 vezes mais pontos do que antes “, diz ele.” É uma maneira de comercializar os sensores para serem mais úteis.

“Na verdade, do lado do algoritmo, às vezes ficamos preocupados porque agora você tem mais dados para processar e apenas ter mais dados não é apenas uma coisa boa, porque o algoritmo não consegue acompanhar”, diz ele.

Com este trabalho, Dong e Everett tentam enfrentar esse desafio e responder a esta pergunta: “Como podemos escrever algoritmos que podem extrair apenas as peças importantes?”

Os pesquisadores testaram o algoritmo usando o AGILE X SCOUT MINI ROBOT do Northeastern, equipado com um kit de autonomia que apresentava um lidar de ouster, uma bateria e um Intel Nuc Mini PC. O robô criou mapas 3D de várias partes externas do campus do nordeste, incluindo o Centennial Common, Egan Crossing e Shillman Hall.

Esta história é republicada, cortesia do Northeastern Global News.Northeastern.edu.