Uma abordagem de busca de caminho de inspiração humana para melhorar a navegação do robô

Para que os robôs sejam introduzidos com sucesso em uma gama mais ampla de configurações do mundo real, eles devem ser capazes de navegar com segurança e confiabilidade em rápida mudança de ambientes. Enquanto roboticistas e cientistas da computação introduziram uma ampla gama de técnicas computacionais para a navegação por robôs nas últimas décadas, muitas delas foram encontradas com um desempenho ruim em ambientes dinâmicos, desordenados ou caracterizados por vias estreitas.

Pesquisadores do Instituto Huzhou, parte da Universidade de Zhejiang na China, introduziram recentemente uma nova abordagem para a navegação por robôs baseada em uma profunda rede neural e técnicas de otimização clássica. Sua abordagem proposta, descrita em um artigo publicado em Robótica científicafoi projetado para replicar artificialmente os recursos de busca de caminhos dos seres humanos.

“Nossa motivação era direta: desenvolver um planejador de trajetória que possa operar de forma robusta em ambientes arbitrariamente complexos, respeitando as restrições não holonômicas de robôs”, disse Zhichao Han, primeiro autor do artigo, ao Tech Xplore.

“Nós nos inspiramos no raciocínio humano – especificamente, como as pessoas geralmente podem identificar intuitivamente um caminho aproximado através de ambientes complexos em uma olhada, mesmo que a solução nem sempre seja ótima ou completamente segura. Para imitar isso, implementamos uma rede neural leve que se aproxima desse processo”.

Embora as redes neurais artificiais tenham um bom desempenho em várias tarefas, suas previsões geralmente são difíceis de interpretar. Além disso, muitas técnicas baseadas nessas redes não generalizam bem em uma ampla gama de cenários.

Para superar essas limitações, Han e seus colegas combinaram uma rede neural profunda com um otimizador de trajetória espaço -temporal recém -desenvolvido. Em última análise, isso lhes permitiu refinar ainda mais as trajetórias e os caminhos gerados pela rede neural.

“Nossa estrutura hierárquica de planejamento foi projetada para atender a dois objetivos principais”, disse Han. “Em primeiro lugar, aproveitando as abordagens baseadas em aprendizado para o estágio inicial de planejamento de caminhos, pretendemos reproduzir a capacidade do tipo humano de ‘instantaneamente’ entender uma rota viável através de um ambiente. Isso garante que os tempos de planejamento sejam estáveis e previsíveis”.

O segundo objetivo da estrutura proposta pela equipe é garantir que os caminhos iniciais gerados pelas redes neurais sejam convertidos em comandos de movimento suave que possam ser executados por robôs reais. Para fazer isso, a estrutura depende de técnicas de otimização numérica especificamente destinadas a melhorar as trajetórias e caminhos.

“A idéia central é imitar o processo de planejamento humano, no qual a experiência passada desempenha um papel crucial no planejamento do caminho”, explicou Han. “Da mesma forma, nosso algoritmo aprende com um grande conjunto de dados de demonstrações de especialistas, destilando esse conhecimento prévio na rede.

“Um componente -chave é que o planejador neural opera diretamente no mesmo domínio de imagem que a representação ambiental, que acelera muito o treinamento e aprimora o desempenho da convergência. Intuitivamente, se você pedir a um humano que desenhe um caminho em um mapa, isso é direto; pedir a alguém que forneça pontos de coordenadas exatos é muito menos intuitivo”.

A abordagem de busca de caminho desenvolvida por Han e seus colegas é significativamente mais estável ao longo do tempo do que os métodos de rede neural introduzidos anteriormente. Nos testes iniciais, verificou -se que os caminhos de saída de maneira confiável para os robôs dentro de um prazo fixo e previsível, independentemente da complexidade de um determinado ambiente.

Essa é uma vantagem significativa, pois muitos métodos de planejamento convencionais precisam realizar extensas pesquisas on -line, o que pode atrasar o processo de busca de caminhos em ambientes dinâmicos ou desafiadores, diminuindo a navegação de um robô.

“Combinamos efetivamente a otimização numérica clássica com redes neurais profundas, aproveitando seus respectivos pontos fortes enquanto mitigam suas fraquezas”, disse Han. “As redes profundas são altamente eficientes, mas carecem de garantias de integridade, enquanto os métodos clássicos estão completos, mas seu desempenho tende a depender da inicialização. Ao integrar ambos, nosso sistema alcança a geração de trajetória espaço-temporal estável e de alta qualidade”.

A abordagem de busca de caminho introduzida por essa equipe de pesquisadores poderá ser testada em breve em mais experimentos usando várias plataformas robóticas. No futuro, poderia ser usado para melhorar a capacidade dos robôs de combater diferentes missões complexas, incluindo operações de pesquisa e salvamento, tarefas de logística e a exploração de ambientes dinâmicos.

“Avançando, planejamos enfrentar o desafio de transferência SIM-para-real, melhorando ainda mais a fidelidade da simulação e aumentando a robustez da percepção”, acrescentou Han. “Nosso objetivo é garantir que os robôs possam operar com segurança, confiabilidade e previsivelmente em ambientes do mundo real diversos e complexos-alcançando multimaturalmente integração perfeita nas aplicações diárias e industriais da vida humana”.

© 2025 Science X Network