Российские ученые разработали метод PRISM-TopoMap, позволяющий роботам строить карты по принципу человеческой памяти — запоминая ключевые ориентиры и связи между ними, а не каждую деталь. Об исследовании сообщает пресс-служба МФТИ.
Метод топологического картографирования PRISM-TopoMap результат совместной работы специалистов Московского физико-технического института, Федерального исследовательского центра «Информатика и управление» РАН и Института искусственного интеллекта AIRI.
Роботы обычно используют метрические карты, детально фиксирующие каждый элемент окружающей среды. Они занимают гигабайты памяти, накапливают ошибки и требуют больших вычислительных ресурсов. Альтернативные топологические карты представляют пространство в виде графа с узлами и связями, но существующие методы часто ошибаются при определении точного местоположения робота.
PRISM-TopoMap решает эту проблему. Система анализирует изображения с камер и данные лидара через алгоритм распознавания места MSSPlace-G, который позволяет роботу узнавать локации даже при изменении освещения и ракурса. Перед добавлением новой точки на карту робот сопоставляет ее с уже известными местами и строит схему узлов и связей.
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.
Дмитрий Юдин, старший научный сотрудник и заведующий лабораторией интеллектуального транспорта МФТИ
Система позволяет роботам строить и обновлять карты в режиме реального времени во время движения, не зависеть от систем позиционирования и значительно экономить память и вычислительные ресурсы.
Метод проверили в компьютерных симуляциях пяти больших помещений и на реальном колесном роботе. Сравнение с другими подходами показало превосходство PRISM-TopoMap: система строила точные и связные карты с максимальным покрытием пространства, в то время как конкуренты создавали разрывные графы или избыточно детализированные карты.
В будущем разработчики планируют научить систему различать типы помещений (кухни, коридоры, склады) и улучшить алгоритмы маршрутизации. Это расширит возможности автоматизированной доставки и навигации на расстояниях в несколько километров.
