Передовая 3D LiDAR локализация повышает точность позиционирования роботов

Университет Мигеля Эрнандеса де Эльче, Испания

Вот как робот "видит" свое окружение, используя систему, разработанную в UMH. 3D LiDAR точечное облако представление позволяет извлечение глобальных и локальных структурных особенностей для оценки позы робота — его точной позиции и ориентации в пространстве. (Изображение: Университет Мигеля Эрнандеса де Эльче)

Мобильные роботы должны непрерывно оценивать свою позицию для автономной навигации. Однако спутниковая навигация не всегда надежна: сигналы могут деградировать у зданий или стать недоступными внутри помещений. Для безопасной и эффективной работы роботы должны интерпретировать свое окружение, используя бортовой сенсоры и надежные алгоритмы локализации.

Исследователи Университета Мигеля Эрнандеса Эльче (UMH) в Испании разработали иерархическую систему локализации, которая значительно улучшает позиционирование роботов в больших, меняющихся средах. Метод адресует одну из самых сложных проблем в мобильной робототехнике: так называемую проблему "похищенного робота", в которой робот теряет знание своей начальной позы после перемещения, выключения или смещения.

Исследование, опубликованное в International Journal of Intelligent Systems, вводит MCL-DLF (Monte Carlo Localization – Deep Local Feature), грубого-точного 3D LiDAR локализационного фреймворка, разработанного для долгосрочной навигации в больших средах. Система была валидирована в течение нескольких месяцев на кампусе UMH Эльче под варьирующими экологическими условиями, включая как внутренние, так и внешние сценарии.

Предложенный подход имитирует то, как люди ориентируются в незнакомых или меняющихся средах. Сначала робот выполняет грубый шаг локализации, идентифицируя свой приблизительный регион на основе глобальных структурных особенностей, извлеченных из 3D LiDAR точечных облаков, таких как здания или растительность.

Как только этот регион сужен, система выполняет точную локализацию, анализируя детальные локальные особенности для оценки точной позиции и ориентации робота.

"Это похоже на то, как люди сначала узнают общую область, а затем полагаются на маленькие отличительные детали для определения своей точной локации", — объясняет исследовательница UMH Мириам Максимо, ведущий автор исследования. Работу dirigea Моника Бальяста и Давид Вальенте, также исследователи в Институте инженерных исследований Эльче (I3E) UMH. Для избежания неоднозначности в визуально похожих средах, метод интегрирует техники глубокого обучения, которые автоматически извлекают дискриминативные локальные особенности из 3D точечных облаков.

Вместо полагаться на предопределенные правила, робот учится, какие экологические характеристики наиболее информативны для локализации. Эти выученные особенности комбинируются с вероятностной Монте-Карло локализацией, которая поддерживает множественные гипотезы позы и обновляет их по мере получения новых сенсорных данных.

Главный вызов в долгосрочной роботной навигации — экологическая вариабельность. Внешние пространства меняются со временем из-за сезонных сдвигов, роста растительности или различий в освещении, которые могут значительно менять внешний вид.

Исследователи сообщают, что MCL-DLF достигает более высокой точности позиции, чем конвенциональные подходы, сохраняя сопоставимые или превосходные оценки ориентации в определенных траекториях. Важно, система показывает более низкую вариабельность во времени, подтверждая свою надежность к сезонным и структурным изменениям.

Надежная локализация фундаментальна для сервисной робототехники, логистической автоматизации, инспекции инфраструктуры, экологического мониторинга и автономных машин. Во всех этих доменах безопасная операция зависит от стабильной и точной оценки позиции в реальном мире, динамических условиях.

Хотя полностью автономная навигация остается центральным вызовом в робототехнике, эта работа приближает роботов к надежной работе в больших, меняющихся средах без внешней позиционной инфраструктуры.

Для получения дополнительной информации, свяжитесь с Анхелес Гальяр по адресу This email address is being protected from spambots. You need JavaScript enabled to view it.; +34 965-222-569.