Harbin Teknoloji Enstitüsü'nden Profesör Zhu Xiaorui: Sosyal özelliklere sahip akıllı mobil robot
Akıllı robotların gelecekteki trendi, sosyal özelliklere sahip akıllı mobil robotlardır.
AI Technology Review Press: 12 Temmuz - 14 Temmuz 2019 tarihleri arasında 4. Küresel Yapay Zeka ve Robotlar Zirvesi (CCF-GAIR 2019) resmen Shenzhen'de düzenlendi. Hong Kong Çin Üniversitesi (Shenzhen) Lei Feng.com'un ev sahipliği yaptığı ve Shenzhen Yapay Zeka ve Robotik Enstitüsü tarafından ortaklaşa düzenlenen zirveye Çin Bilgisayar Topluluğu (CCF) ev sahipliği yapıyor ve Shenzhen Belediye Hükümeti'nden güçlü bir rehberlik aldı. Sektörün ve yatırım endüstrisinin üç ana alanındaki en iyi değişim fuarı etkinliği, yerli yapay zeka alanında güçlü bir sektörler arası değişim ve işbirliği platformu oluşturmayı hedefliyor.
13 Temmuz'da Harbin Teknoloji Enstitüsü (Shenzhen) Profesörü ve IEEE RAS Uluslararası İlişkiler Komitesi Başkanı Profesör Zhu Xiaorui, "Robot Frontier Special" a "Sosyal Niteliklere Sahip Akıllı Mobil Robotlar" konulu bir konferans raporu getirdi. Aşağıda Profesör Zhu Xiaorui tarafından hazırlanan konferans raporunun tam metni yer almaktadır: Profesör Zhu Xiaorui'ye yaptığı değişiklik ve teyit için teşekkür ederiz.
Bugün sizlerle akıllı robotların gelecekteki trendini, yani sosyal niteliklere sahip akıllı mobil robotları tartışmak istiyorum. Ben buna "Sosyal Davranışlardan Öğrenme" diyorum.
1. Sosyal özelliklere sahip akıllı sistem
Sosyal niteliklere sahip akıllı sistemle başlayayım. Akıllı sistemlerin artan algılama ve eylem kabiliyetiyle birlikte, insanlar ve akıllı sistemler giderek daha fazla entegre oluyor ve insan-makine kapsayıcı bir ortam ortaya çıktı.Bu insan-makine içeren ortamda, sosyal özelliklere sahip akıllı bir sistem doğal olarak gelişti. . Bu tür bir akıllı sistemin sosyal nitelikleri olduğu için, evrimleşme yeteneğine sahip olması gerektiği anlamına gelir, bu yüzden muhtemelen bu sistemin evrimleşebilirliğinden aşağıdaki iki yönden bahsedeceğim.
-
Bir yönü, akıllı sistemlerin dahili olarak evrimleşme yeteneğine sahip olması gerektiğidir. Sistem dahili olarak gelişecekse, tek bir bilgi işlem platformuyla başarılması imkansızdır, bu nedenle robot ucu ile bulut bilgi işlem platformu, yani "bulut robotu" arasındaki etkileşim gibi farklı platformlar arasındaki etkileşimi gerçekleştirmek gerekir. kavram.
-
Diğer bir husus, akıllı sistemin dış evrim yeteneğine sahip olması gerektiğidir. Örneğin, akıllı sistemlerin harici evrim kabiliyetine sahip olmasını sağlamak için insanlar ve robotlar arasındaki etkileşim yoluyla, bahsettiğimiz "sosyal robotlar" kavramı budur.
Ekibimizin son altı veya yedi yılda bu iki açıdan yaptığı keşiflerden bazılarından bahsedeyim.
2. Uzun vadeli otonom konumlandırma için bulut mobil robot
İlk olarak, uzun vadeli otonom konumlandırma için bir bulut mobil robot öneriyoruz. Bundan bahsetmeden önce, mobil robotların veya hizmet robotlarının mevcut uygulama sorunlarını gözden geçirelim: sınırlı çalışma kapsamı, sınırlı iş kapsamı, sınırlı hizmet sunumu ve yüksek işletme ve bakım maliyetleri.
Bu sorunlar uygulama düzeyinde gibi görünmektedir, ancak teknik düzey söz konusu olduğunda, bunlar aslında tam olarak çözülemeyen anahtar teknolojilerdir (uzun vadeli otonom mobilite veya uzun vadeli otonom mobilite).
Ve bu temel teknolojinin ayrıca aşağıdaki üç ana zorluğu vardır:
-
İlk zorluk, geniş bir alanı kapsamamız gerektiğidir, bu nedenle farklı ortamları tanımlamak için çok fazla veriye ihtiyacımız var;
-
İkinci zorluk da, mobil robotları statik veya dinamik nesneleri tespit etme ve izleme ve çevresel değişiklikleri tahmin etmek için daha fazla bilgi öğrenme gibi dinamik senaryolara uyarlamamız gerektiğidir;
-
Üçüncü zorluk, mobil robotların uzun süre çalışması gerektiğinden, zaman arttıkça daha fazla veri depolamaya ihtiyaç duymasıdır.
Bu durumda, robotların daha fazla depolama alanına ve daha güçlü bilgi işlem gücüne sahip olmasına izin vermemiz gerekiyor, aslında sadece bağımsız gövdelerine güvenerek bunu başarmak çok zor.
Robot tarafında hesaplamayı ve bulutta hesaplamayı robotik araştırmaları için kullanan "bulut robotu" kavramından burada bahsedilmektedir. Genel olarak, bulut robotlarının aşağıdakiler dahil çeşitli avantajları vardır:
-
Birincisi, karmaşık bir ortamda eşzamanlı konumlandırma ve haritalama gerçekleştirebilmek için bilgi işlem kaynaklarını esnek bir şekilde tahsis etmek için bulut robotları çerçevesini kullanabilir;
-
İkincisi, bu çerçeve altında çok sayıda veri tabanına erişebilir.Örneğin nesneleri tanımlama ve kavrama yaparken karşılaştırma için çok sayıda veri tabanı kullanmamız gerekiyor.Ayrıca örneğin dış kaynak haritalarına dayalı uzun vadeli konumlandırma yapıyoruz. Çok sayıda harita veritabanına erişmeniz gerekiyor;
-
Üçüncüsü, bu tür bir robot bilgi paylaşımı, yani çok robotlu sistemler arasında bilgi paylaşımı oluşturabilir. Bu, bu çoklu robotların duruma göre farklı ekipmanlarla donatılabileceği ve aynı zamanda bulutta bir miktar bilgi paylaşımı oluşturabileceği anlamına gelir.
Belirli bir örnek, uzun vadeli gerçek zamanlı konumlandırma için kendi bulut mobil robotumuzdur. Yukarıdakiler bizim sistem çerçevemiz, esas olarak ne yapıyoruz?
-
Her şeyden önce, havadan sensörler için gereksinimleri azaltmak, dağıtılmış algoritmalar tasarlamak ve bulutun güçlü bilgi işlem yetenekleri ile robotların gerçek zamanlı gereksinimleri arasında bir denge aramak için bulutun kablosuz depolama alanını ve bol veritabanı kaynaklarını tam olarak kullanıyoruz;
-
İkinci olarak, ağın istikrarsızlığından kaynaklanan bağlantı kopukluk problemini ve bulut ile robot arasındaki sık veri etkileşiminin neden olduğu ağ gecikmesini telafi etmeliyiz.
Belirli içerikle ilgili ayrıntılara girmeyeceğim. Bu konuyla ilgili bir makalemiz var. İlgileniyorsanız, indirip şunları görebilirsiniz:
Xiaorui Zhu * ve diğerleri, Büyük Ölçekli Dış Mekan Ortamlarında Yer Mobil Robotu için Bulut Tabanlı Gerçek Zamanlı Dış Kaynak Lokalizasyonu, Journal of Field Robotics, 2017, 34 (7)
Bu bulut mobil robotu oluştururken gerçek bir çevre testi yaptık. Bu test ortamı, Shenzhen'in Xili bölgesi çevresinde yaklaşık 13,1 km uzunluğunda bir yoldur ve neredeyse 2,5 × 6,7 kilometrekarelik bir alanı kaplar. GPS sinyalinin neredeyse hiç olmadığı her türlü yol: kentsel otobanlar, ana trafik arterleri, ikincil trafik arterleri, servis yolları, şehir kanyonları, tüneller vb. Nihai gerçek zamanlı konumlandırmamızın sonuçları görülebilir, Baştan sona 13 km uzunluğundaki yolun ortalama konumlandırma hatası santimetre seviyesindedir.
Aslında, bu çalışmayı, kullanılan iletişim yönteminin 4G ağı olduğu 2012'den 2016'ya kadar yaptık. O zamanlar, bu fikrin iyi olduğunu ve Demo'nun yapılabileceğini düşündük, ancak gerçek uygulamadan uzaktı ve bunda çok önemli bir bağlantı vardı, bu bizim iletişim yöntemimizdi.
5G çağının gelişiyle birlikte, yüksek bant genişliği, düşük gecikme süresi ve yüksek eşzamanlı iletişim ağlarını kullanabiliriz, böylece bulutu, ağı ve uçtan uca entegre eden bulut robotları gerçekten büyük ölçekli uygulamalar alabilir, böylece mobil robotlar çevresel kapsamı genişletebilir. Alan, iş kapsamını iyileştirin, senaryo kapsamını geliştirin ve işletme ve bakım maliyetlerini azaltın. Bu şekilde, tüm hizmet robotunun ticarileştirme süreci gerçekten yeni bir çağa girecek.
Bahsetmek istediğim bir sonraki bölüm ise az önce bahsettiğim insan-robot etkileşimi sorunu ... Bunun için yaya davranışını öğrenebilen bir sosyal mobil robot, yani "Social Mobile Robotics" öneriyoruz.
3. Yaya davranışını öğrenme becerisine sahip sosyal mobil robotlar
Geleneksel yöntemlerle araştırılan robotların çevredeki insanlara engel gibi davrandığını biliyoruz, bu da bir sorun yaratıyor: tüm sistemin hareket verimliliği düşük ve kalabalık ortamlarda bile geçersiz olması muhtemel.
Bu nedenle, bilinmeyen bir ortamda yaya davranış modellerini öğrenme yeteneğine sahip yeni bir akıllı mobil robot türü öneriyoruz, böylece mobil robotların anlayıp akıllı kararlar alma yeteneğini artırabilir. Bu yetenek insanlar için çok basit, ancak robotların bu yeteneği teknik olarak gerçekleştirebilmesi için işin üç yönünü yaptık: Birincisi, bilinmeyen çevrenin geçirgen alanının algılanması, ikincisi yarı yoğun çevre semantik haritalarının üretilmesi ve üçüncüsü, insan-bilgisayar entegrasyonunun dinamik bir ortamında eşzamanlı konumlandırma ve harita güncellemesidir.
Sistemimizin iki ana katkısı vardır: Birincisi, yaya davranış öğrenimine dayalı bir robot-geçirgen alan haritalama algoritması, yani "Sosyal Davranışlardan Öğrenme (LSB)" önermektir; ikincisi, insan-makine entegrasyonu ve konumlandırmasının dinamik sahnesine uyum sağlayan bir robot öneriyoruz ve Harita oluşturma yöntemi (DM-LSAM). İkisinin odak noktası, dinamik ortam uyarlanabilirliği, konumlandırma doğruluğu ve sağlamlığı arasında nasıl bir denge bulunacağıdır. Bu noktada bazı makaleler de yayınladık:
-
Deng F., Zhu, X. *, et al, Dışarıda Mobil Robot için Görme Tabanlı Gerçek Zamanlı Geçilebilir Bölge Algılama, SENSORS, 2017.9, 17 (9)
-
Xing Zhiwei, Zhu Xiaorui *, He Chao, Yaya Davranışı Öğrenimine Dayalı Robot Eşzamanlı Yerelleştirme ve Geçilebilir Alan Haritalama, Chinese Journal of Mechanical Engineering, 2019
İlk olarak, bilinmeyen ortamın geçirgen alanının haritalanmasından bahsedelim.
Robotun gerçek zamanlı olarak gördüğü görüntü karelerine göre hızlı bir şekilde yaya tespiti yaptık.Bu sahnede hiç kimse olmadığını tespit edersek ufuk noktası bazlı yol tespiti kullanırız, insanlar varsa yayalardan öğrenebiliriz. Ardından yol algılamaya geçin.
Yukarıdaki resim yaptığımız ufuk noktalarına dayanan yapılandırılmamış bir yol algılama algoritmasıdır Bu bir örnektir. (A) robot tarafından şu anda görülen bir görüntüdür ve daha sonra (f) algoritma tarafından belirlenir. Yapılandırılmamış yollarda geçilebilir alanlar.
İşte algoritmamız ile geleneksel piksel tabanlı ve sınır tabanlı yöntemler arasındaki bir karşılaştırma ve bu yapılandırılmamış ortamda algoritmamızın algılama etkisinin geleneksel yöntemlerden çok daha iyi olduğu bulunmuştur.
Bu, gerçek ortamda yaptığımız bir test. (A) Robot gerçek zamanlı olarak çalışıyor Aşağıdaki resimler birkaç farklı çerçevedir.Her çerçeve için geçilebilir bir alan tespit sonucuna sahibiz.
Robotun gördüğü görüntülerde yayalar varken yapılandırılmamış yolları nasıl tespit edebiliriz? Burada, yayaların geçebileceği konumun aynı zamanda robotun geçebileceği alan olduğuna dair temel bir varsayımımız var, bu yüzden burada da görüntüden başlayarak, birkaç adımdan sonra nihayet bu geçilebilir alanı tespit edebiliriz.
Bu, farklı resim sahneleri için algılanabilir alan algımızın sonucudur. Geçilebilir alan hakkındaki bilgilerle, Bir sonraki adım, yarı yoğun bir anlamsal harita oluşturmaktır. Yarı yoğun semantik haritalar için yaptığımız yol da görüntüden başlıyor, bir yandan resimdeki yayanın konumunu birleştirirken diğer yandan da otomatik olarak algıladığımız geçilebilir alan bilgilerini birleştiriyor.
Bu, KITTI veri setindeki bir sekans üzerinde anlamsal bir harita yapmak için algoritmamızı kullanmanın etkisidir.Kırmızı alan geçilebilir alandır, mavi nokta robotun mevcut pozisyonudur ve gri kısım çevresel özelliktir.
Veri kümesi üzerinde bir test yaptık ve aynı zamanda gerçek ortamın yarı yoğun bir anlamsal haritasını çıkardık. Burada, şu anda en iyi etkiye sahip olan ORB-LSAM'ın sağlamlık performansını karşılaştırmaya odaklanıyoruz ve sonuçlar, algoritmamızın dinamik uyarlanabilirlik açısından çok geliştiğini gösteriyor.
Yarı yoğun semantik harita ile, az önce bahsettiğimiz DE-SLAM olan insan-makine entegrasyonunun dinamik bir ortamında robotun eşzamanlı konumlandırmasını ve harita güncellemesini gerçekleştireceğiz. Burada temelde sadece basit görüntü bilgilerini ve IMU bilgilerini kullanıyoruz En önemli nokta hareketli hedeflerin tespitini eşzamanlı konumlandırma ve harita oluşturma çerçevesine entegre etmemizdir.
Dinamik sahneler için algoritmalardan bahsediyor olsak da, öncül olarak statik sahnelerin etkilerini feda edemeyiz, bu yüzden deneyler yaptığımızda hem dinamik sahneler hem de statik sahneler yapıyoruz. Aşağıdakiler, veri setinde yaptığımız dört set statik sahne ve dört set dinamik sahnedir.
Statik bir senaryoda, DE-SLAM'in kök ortalama kare hatasının ORB-SLAM'e kıyasla yaklaşık% 7 azaldığını bulduk; dinamik bir senaryoda, DE-SLAM daha uyarlanabilir ve ortalama hata ORB-SLAM'e kıyasla 60 oranında azaldı. %.
Bu yaptığımız gerçek bir dinamik sahne deneyi.Burada set deney ortamı olarak 30 metrelik bir ölçeği düzelttik. Dinamik senaryolarda, DE-SLAM sistem tanımımızın daha kesin olduğunu ve ortalama hatasının ORB-SLAM'den% 77,89 daha düşük olduğunu, böylece görüntüleme ortamıyla daha tutarlı bir harita ve yörünge elde edebileceğini gördük.
Bugün çok konuşuyorum, dinlediğiniz için teşekkür ederim.
Son
