De nouveaux algorithmes pour une navigation robotique intelligente et efficace parmi les foules

Les robots de carrier commencent à apparaître dans diverses tâches quotidiennes telles que los angeles livraison de colis, comme chiens-guides pour les malvoyants, comme fonctionnaires dans les aéroports ou, comme nous l’avons vu à Joensuu : dans l’inspection des bâtiments. Les robots sont capables de se déplacer de différentes manières : sur pattes, sur roues ou en volant. Ils connaissent l’itinéraire le plus court docket ou le plus facile pour atteindre los angeles vacation spot. Le chien-guide peut consulter les horaires des bus ou même commander un taxi en cas de besoin.

Cependant, les robots ont du mal à gérer une selected fondamentale : se déplacer au milieu d’une foule de personnes. Le robotic surveille l’environnement à l’aide d’une caméra et d’autres capteurs, mais son mouvement est saccadé avec des changements de course constants, y compris plusieurs arrêts. C’est pourquoi les robots ne sont généralement pas autorisés à voyager seuls.

Le problème avec les derniers robots n’est pas de trouver los angeles vacation spot ou de surveiller le monde environnant, mais plutôt de donner un retour d’informations en temps réel parmi les foules. Les méthodes existantes nécessitent un très grand nombre de ressources informatiques et ne sont donc pas adaptées à des programs temps réel où les interactions doivent être rapides.

Dans sa thèse, Chengmin Zhou, MSc, a utilisé des algorithmes d’apprentissage par renforcement (RL) pour naviguer dans les robots de carrier. Les algorithmes résolvent les tâches de navigation en présence de nombreux hindrances en mouvement, par exemple dans une scenario où le robotic se déplace à travers une foule de personnes et dispose d’un temps limité pour réagir.

L. a. meilleure answer s’avère être un algorithme RL sans modèle, qui permet aux robots d’apprendre de leurs expériences historiques. Après une formation ou un apprentissage, les robots sont capables de survivre même dans des scenarios difficiles. Cependant, l’algorithme RL sans modèle est confronté à de nombreux défis, tels qu’une efficacité d’apprentissage lente (convergence). Dans cette thèse, l’efficacité de l’apprentissage est améliorée de deux manières différentes :

1. Utilisez les données collectées pendant le fonctionnement pour entraîner le robotic. Lorsque les robots fonctionnent, de nouvelles données sont acquises en temps réel. Ces données peuvent être combinées avec les données de formation précédentes, améliorant ainsi los angeles formation du robotic.
2. Traduire des informations environnementales. Les informations des capteurs collectées dans l’environnement d’exploitation du robotic ne peuvent pas être apprises de manière efficace et précise. Il doit être interprété ou traduit afin que le robotic puisse l’apprendre facilement et que les connaissances acquises (le modèle formé) puissent être utilisées pour naviguer dans d’autres scenarios similaires.

L. a. navigation robotique est améliorée sous trois facets tactics : les movements discrètes (donnant aux robots une choice d’motion limitée pour choisir l’motion suivante), le mélange de données en temps réel et historiques et l’exploitation des données relationnelles (exploitant los angeles relation entre les robots et les hindrances à l’entraînement des robots). Les algorithmes développés ont été testés à l’aide de simulations informatiques et dans un environnement de laboratoire de l’Université de technologie de Shenzhen en Chine.

L. a. thèse de doctorat de Chengmin Zhou, MSc, intitulée « Deep Reinforcement Finding out for Crowd-Conscious Robot Navigation », sera examinée au Faculty of Science, Forestry and Era, Joensuu Science Park, le 19 octobre 2023. Le concurrent sera le professeur Guha. Operating, Université d’Oulu, et le conservateur sera le professeur Pasi Franti, Université de Finlande orientale. L. a. langue de los angeles défense publique est l’anglais.