3 Soalan: Mengasah persepsi dan pemetaan robot | Berita MIT

Berjalan ke rumah rakan atau melayari lorong kedai runcit mungkin terasa seperti tugas yang mudah, tetapi sebenarnya ia memerlukan keupayaan yang canggih. Ini kerana manusia dapat dengan mudah memahami persekitaran mereka dan mengesan maklumat kompleks tentang corak, objek dan lokasi mereka sendiri dalam persekitaran.

Bagaimana jika robot dapat melihat persekitaran mereka dengan cara yang sama? Soalan itu ada dalam fikiran penyelidik MIT Laboratory for Information and Decision Systems (LIDS) Luca Carlone dan Jonathan How. Pada tahun 2020, pasukan yang diketuai oleh Carlone mengeluarkan lelaran pertama Kimera, perpustakaan sumber terbuka yang membolehkan robot tunggal membina peta tiga dimensi persekitarannya dalam masa nyata, sambil melabelkan objek berbeza dalam paparan. Tahun lepas, kumpulan penyelidikan Carlone's and How's (Makmal SPARK dan Makmal Kawalan Aeroangkasa) diperkenalkan Kimera-Multi, sistem yang dikemas kini di mana berbilang robot berkomunikasi sesama mereka untuk mencipta peta bersatu. A 2022 kertas berkaitan dengan projek yang diterima baru-baru ini tahun ini Transaksi IEEE pada Robotik Anugerah Kertas Terbaik Memorial King-Sun Fu, diberikan kepada kertas kerja terbaik yang diterbitkan dalam jurnal pada 2022.

Carlone, yang merupakan Profesor Madya Pembangunan Kerjaya Leonardo bagi Aeronautik dan Astronautik, dan How, Profesor Richard Cockburn Maclaurin dalam Aeronautik dan Astronautik, bercakap dengan LIDS tentang Kimera-Multi dan masa depan bagaimana robot mungkin melihat dan berinteraksi dengan persekitaran mereka.

S: Pada masa ini makmal anda tertumpu pada meningkatkan bilangan robot yang boleh bekerjasama untuk menjana peta 3D persekitaran. Apakah beberapa kelebihan yang berpotensi untuk menskalakan sistem ini?

Bagaimana: Faedah utama bergantung pada ketekalan, dalam erti kata bahawa robot boleh mencipta peta bebas, dan peta itu konsisten sendiri tetapi tidak konsisten secara global. Kami menyasarkan pasukan mempunyai peta dunia yang konsisten; itulah perbezaan utama dalam usaha membentuk konsensus antara robot berbanding pemetaan secara bebas.

Carlone: Dalam banyak senario, ia juga baik untuk mempunyai sedikit lebihan. Contohnya, jika kita menggunakan robot tunggal dalam misi mencari dan menyelamat, dan sesuatu berlaku pada robot itu, robot itu akan gagal untuk mencari mangsa yang terselamat. Jika berbilang robot sedang melakukan penerokaan, terdapat peluang yang lebih baik untuk berjaya. Meningkatkan pasukan robot juga bermakna bahawa sebarang tugasan yang diberikan boleh diselesaikan dalam masa yang lebih singkat.

S: Apakah beberapa pengajaran yang telah anda pelajari daripada percubaan baru-baru ini, dan cabaran yang perlu anda atasi semasa mereka bentuk sistem ini?

Carlone: Baru-baru ini kami melakukan eksperimen pemetaan besar di kampus MIT, di mana lapan robot merentasi sehingga 8 kilometer secara keseluruhan. Robot itu tidak mempunyai pengetahuan awal tentang kampus, dan tiada GPS. Tugas utama mereka adalah untuk menganggarkan trajektori mereka sendiri dan membina peta di sekelilingnya. Anda mahu robot memahami alam sekitar seperti yang dilakukan oleh manusia; manusia bukan sahaja memahami bentuk halangan, untuk mengelilinginya tanpa memukulnya, tetapi juga memahami bahawa objek adalah kerusi, meja, dan sebagainya. Terdapat bahagian semantik.

Perkara yang menarik ialah apabila robot bertemu antara satu sama lain, mereka bertukar maklumat untuk memperbaiki peta alam sekitar mereka. Contohnya, jika robot menyambung, mereka boleh memanfaatkan maklumat untuk membetulkan trajektori mereka sendiri. Cabarannya ialah jika anda ingin mencapai kata sepakat antara robot, anda tidak mempunyai lebar jalur untuk menukar terlalu banyak data. Salah satu sumbangan utama kertas kerja 2022 kami ialah menggunakan protokol yang diedarkan, di mana robot bertukar maklumat terhad tetapi masih boleh bersetuju tentang rupa peta. Mereka tidak menghantar imej kamera berulang-alik tetapi hanya bertukar-tukar koordinat 3D tertentu dan petunjuk yang diekstrak daripada data penderia. Apabila mereka terus bertukar-tukar data sedemikian, mereka boleh membentuk konsensus.

Pada masa ini kami sedang membina jerat atau peta 3D berkod warna, yang warnanya mengandungi beberapa maklumat semantik, seperti "hijau" sepadan dengan rumput dan "magenta" kepada bangunan. Tetapi sebagai manusia, kita mempunyai pemahaman yang lebih canggih tentang realiti, dan kita mempunyai banyak pengetahuan terdahulu tentang hubungan antara objek. Sebagai contoh, jika saya mencari katil, saya akan pergi ke bilik tidur dan bukannya meneroka seluruh rumah. Jika anda mula memahami hubungan yang kompleks antara perkara, anda boleh menjadi lebih bijak tentang perkara yang boleh dilakukan oleh robot dalam persekitaran. Kami cuba beralih daripada menangkap hanya satu lapisan semantik, kepada perwakilan yang lebih hierarki di mana robot memahami bilik, bangunan dan konsep lain.

S: Apakah jenis aplikasi yang mungkin digunakan oleh Kimera dan teknologi serupa pada masa hadapan?

Bagaimana: Syarikat kenderaan autonomi sedang melakukan banyak pemetaan dunia dan belajar daripada persekitaran tempat mereka berada. Yang pastinya adalah jika kenderaan ini boleh berkomunikasi antara satu sama lain dan berkongsi maklumat, maka mereka boleh menambah baik model dan peta dengan lebih pantas. Penyelesaian semasa di luar sana adalah secara individu. Jika trak berhenti di sebelah anda, anda tidak dapat melihat ke arah tertentu. Bolehkah kenderaan lain memberikan medan pandangan yang tidak dimiliki oleh kenderaan anda? Ini adalah idea futuristik kerana ia memerlukan kenderaan untuk berkomunikasi dengan cara baharu, dan terdapat isu privasi yang perlu diatasi. Tetapi jika kami dapat menyelesaikan isu tersebut, anda boleh bayangkan situasi keselamatan yang bertambah baik dengan ketara, di mana anda mempunyai akses kepada data daripada pelbagai perspektif, bukan sahaja bidang pandangan anda.

Carlone: Teknologi ini akan mempunyai banyak aplikasi. Tadi saya ada menyebut mencari dan menyelamat. Bayangkan anda ingin meneroka hutan dan mencari mangsa yang terselamat, atau memetakan bangunan selepas gempa bumi dengan cara yang boleh membantu responden pertama mengakses orang yang terperangkap. Tetapan lain di mana teknologi ini boleh digunakan adalah di kilang. Pada masa ini, robot yang digunakan di kilang adalah sangat tegar. Mereka mengikuti corak di atas lantai, dan tidak benar-benar dapat memahami persekitaran mereka. Tetapi jika anda memikirkan tentang kilang yang lebih fleksibel pada masa hadapan, robot perlu bekerjasama dengan manusia dan wujud dalam persekitaran yang kurang berstruktur.