研究人员最初的VT&R系统仅依赖于示教轨迹(蓝色)和视觉输入(右上)，对周围的物体或人没有概念(左下)。信用:Mattamala，Ramezani，Camurri & Fallon。为了在各种不熟悉的环境中自主操作并成功完成任务，移动机器人应该能够适应周围环境的变化。视觉示教与重复(VT&R)系统是一类很有前途的训练机器人自适应导航环境的方法。顾名思义，虚拟实验和研究系统基于两个关键阶段:示教和重复步骤。在示教步骤中，系统从人工操作员的路径演示中学习。随后，在重复阶段，机器人试图复制人类在演示中所做的事情，尽可能自主、一致地走在同一条路上。
牛津机器人研究所的研究人员最近开发了一种新的控制器，可以帮助增强虚拟仪器和研发系统。他们的方法发表在《IEEE机器人和自动化快报》上的一篇论文中，可能有助于开发更擅长在陌生环境中导航的机器人。
“最近的论文是我们关于VT&R导航工作的一部分，”作者之一马蒂亚斯·马特马拉告诉TechXplore。“这有助于快速部署机器人来检查新的地方并收集数据，而不必构建环境的精确地图。在我们之前的工作中，我们通过在机器人上的不同摄像头之间切换，展示了对视觉遮挡的鲁棒性，例如当有人走过时。”
根据机器人周围的局部地图计算的有符号距离场(SDF)用于产生排斥力，以远离障碍物，尤其是在狭窄的走廊中。红色表示更靠近障碍物，蓝色表示更远。信用:马特马拉，切布罗鲁&法伦。在他们之前的研究中，Mattamala和他的同事能够利用他们在人类演示中收集的数据，训练模型在不同的时间访问机器人上的不同摄像头。尽管取得了这一显著成就，但他们的模型不允许机器人在复制人类智能体展示的轨迹的同时，主动避开周围潜在的障碍物。
马特马拉解释说:“我们一段时间前就开始研究这个‘安全层’，我们最近的论文展示了它的全部功能。"我们的控制器是基于英伟达最近开发的一种叫做黎曼运动策略的方法."
研究人员开发的控制器部分类似于势场控制器，这是一种工具，允许机器人计算不同力的组合，例如吸引力(即驱动它们完成目标的力)和排斥力(即帮助它们远离障碍物的力)，以最终确定移动方向。然而，英伟达的RMP方法使他们的控制器更进一步，因为它引入了动态权重(称为指标)，根据机器人的状态，动态权重以不同的方式利用这些力。
测地线距离场(GDF)用于确定方向(梯度)，帮助机器人在不越过障碍物的情况下到达目标。例如，GDF将生成一个梯度来跟随路径A，而不是试图沿着一条直线到达目标(路径B)，这是最容易做到的事情。信用:马特马拉，切布罗鲁&法伦。Mattamala解释说:“例如，你不需要总是避开障碍物，而只需要靠近它们或指向它们的方向。“这样，你就可以防止一些吸引力和反作用力相互抵消的情况。”
团队控制器处理的相互作用力是从一个本地地图中计算出来的，该地图是动态生成的，并随着机器人在其周围环境中的移动而进行调整。通过分析这张本地地图，系统可以生成易于解释的字段，并将其用作数据来增强机器人的导航技能。这包括表征障碍物的有符号距离场(SDF)和传达到目标或目标位置的最近距离的地理坐标距离场(GDF)。当处理这些场时，控制器考虑到这样一个事实，即在周围环境中有一定量的空间，机器人不能在其中移动或穿越。
Mattamala说:“在我们的研究中，我们能够探索RMP等新颖的控制技术，迄今为止，这些技术仅应用于机器人机械手或小型轮式机器人。“此外，我们在ANYbotics的ANYmal四足机器人上部署了我们的控制器，并在一个退役的矿井中进行了闭环实验，测试起来相当令人兴奋。"
该团队在英国威尔特郡附近的一个退役矿井中进行的实验是一条60米长的路径。尽管光线条件恶劣，通道狭窄，但机器人在其中穿行时没有发生碰撞。信用:马特马拉，切布罗鲁&法伦。奥利弗·巴莱特的照片。与之前提出的其他方法相比，Mattamala和他的同事创建的控制器本质上是被动的，因为它不需要机器人和开发人员提前计划和预测机器人在特定环境中会遇到的障碍。有趣的是，在他们的评估中，该团队发现，通过使用更好的环境表示来产生吸引力和反作用力，他们可以获得与预先计划任务的模型相似的结果。
“例如，我们放置了一些障碍物阻挡参考路径，机器人能够在没有规划的情况下四处走动，”Mattamala解释道。“我们还扩展了我们的VT&R系统，以便与鱼眼相机配合使用，例如我们在实验中使用的Sevensense Alphasense钻机。我们获得了与之前使用Realsense相机进行的实验相当的结果，这证明了我们系统的灵活性。”
该团队在英国威尔特郡附近的一个退役矿井中进行的实验是一条60米长的路径。尽管光线条件恶劣，通道狭窄，但机器人在其中穿行时没有发生碰撞。信用:马特马拉，切布罗鲁&法伦。奥利弗·巴莱特的照片。到目前为止，研究人员已经在一系列室内杂乱空间和一个地下矿井中测试了他们的控制器。在这些初步实验中，他们的系统取得了非常有希望的结果，表明它可能很快有助于增强现有和新开发的移动机器人的导航能力。值得注意的是，该控制器可以应用于各种系统，因为它只需要使用深度相机或激光雷达技术收集的数据生成的本地地图。
Image 6:团队计划在未来工作中测试机器人自主导航的一些环境。这些是在测试RLOC行走控制器时拍摄的一些照片的例子，该控制器由西德汉特·甘加普瓦拉开发。信用:Gangapurwala。奥利弗·巴莱特的照片。在接下来的研究中，马特马拉和他的同事计划在实验室开发的其他机器人上应用和测试他们的控制器。此外，他们希望在更广泛的动态现实环境中评估其性能。
Mattamala解释说:“我们未来的工作考虑扩展我们的VT& R系统，以实现腿式机器人在工业和自然环境中的长期视觉导航。“这需要(1)更好的视觉定位系统，因为由于光照或天气条件导致的剧烈外观变化将对我们当前的系统构成挑战，以及(2)更好的行走控制器，以实现崎岖地形中的可靠导航，这应该与高级导航相互作用。想象一下，教机器人穿越森林小径或沿着山路行走，然后不管地形或天气如何，都自动重复轨迹——这就是我们的目标。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
