Ученые МФТИ создали алгоритм навигации, который позволяет роботам ориентироваться в пространстве по принципу человеческой памяти — выделяя ключевые ориентиры и связи между ними, а не запоминая каждую деталь.
Ученые из МФТИ, ФИЦ ИУ РАН и AIRI разработали новый метод топологического картографирования PRISM-TopoMap, который позволяет роботам создавать гибкие карты, похожие на человеческую память. Вместо того чтобы запоминать каждую деталь, робот выделяет ключевые точки и связи между ними, что делает навигацию быстрее, точнее и энергоэффективнее. Технология уже протестирована в виртуальных средах и на реальных роботах, показав превосходство над существующими аналогами.
«Это похоже на то, как человек запоминает новое место. Мы не запоминаем каждую деталь, а выделяем основные ориентиры и связи между ними. Именно этот принцип лежит в основе PRISM-TopoMap, что делает его практичным решением для автономной навигации роботов в реальных условиях».
Дмитрий Юдин, старший научный сотрудник, заведующий лабораторией интеллектуального транспорта МФТИ, ведущий научный сотрудник AIRI
Современные роботы, от складских погрузчиков до марсоходов, часто используют метрические карты, но они занимают много памяти и накапливают ошибки. Топологические карты решают эту проблему, представляя пространство в виде графа — системы узлов и связей. Однако точное определение местоположения робота в таком графе оставалось сложной задачей.
PRISM-TopoMap объединяет несколько технологий: улучшенный алгоритм распознавания мест MSSPlace-G анализирует данные с камер и лидаров, позволяя роботу узнавать локации даже при изменении освещения или ракурса. Перед добавлением новой точки в карту система сопоставляет ее с уже известными, формируя схему, похожую на человеческую память.
Метод позволяет роботам обновлять карты на ходу, не зависеть от GPS и экономить ресурсы. Тесты в виртуальных и реальных условиях подтвердили, что PRISM-TopoMap строит более точные и связные карты, чем конкуренты, при этом работая быстрее и дешевле.
В будущем разработчики планируют научить систему распознавать типы помещений — например, отличать кухни от коридоров — и оптимизировать маршрутизацию. Это сделает навигацию роботов еще более осмысленной, что позволит обеспечить выполнение разных навигационных задач, включая автоматизированную доставку между зданиями.