当Vasileios Tzoumas,研究科学家麻省理工学院的(麻省理工学院),访问一个新城市,他喜欢探索通过跑步。有时他丢失。几年前,在一个长期在大阪参加一个会议,不可避免的发生了。然后Tzoumas发现了一个7 - 11他记得传递后不久离开酒店。这个认识让他精神上“关闭循环,”连接松散的轨迹地方他知道和确定,从而巩固他的心理地图,让他让他回到酒店。
nonconvexity毕业(GNC)算法可以帮助机器穿越土地、水、天空和太空回来告诉这个故事。
关闭循环实际上是一个技术术语的机器人导航新环境时经常要做的。这是一个过程的一部分同步定位和映射(大满贯)。大满贯并不新鲜。用于机器人吸尘器、自动驾驶汽车,搜救无人机和机器人在工厂,仓库,和煤矿。随着自主设备和车辆导航的新空间,从客厅到天空,他们建立一个地图旅行。他们还必须在地图上找出他们使用传感器如相机、GPS、激光雷达。
猛然发现更多的应用程序,它比以往任何时候都重要,以确保SLAM算法在具有挑战性的现实条件下生成正确的结果。SLAM算法通常与完美的传感器或工作在实验室控制条件下,但他们很容易迷失在不完美的传感器在现实世界中实现。不出所料,工业客户经常担心他们是否能信任这些算法。
麻省理工学院的研究人员已经开发出许多健壮的SLAM算法,以及数学方法证明多少我们可以信任他们。卢卡Carlone实验室,莱昂纳多麻省理工学院的助理教授职业发展,发表了一篇论文关于他们毕业non-convexity (GNC)算法,减少了随机误差和不确定性在大满贯的结果。更重要的是,该算法会产生正确的结果,现有的方法“迷路。“本文通过Carlone、Tzoumas Carlone杨的学生亨,Pasquale Antonante获得最佳论文奖在机器人视觉机器人与自动化国际会议上)举行(“国际机器人与自动化会议”。这GNC算法将帮助机器穿越土地、水、天空和太空回来告诉这个故事。
一切都保持一致
机器人感知依赖于传感器,通常提供的或误导的输入。麻省理工学院的GNC算法允许机器人决定哪些数据点信任和丢弃。GNC算法的一个应用程序形状对齐。机器人的三维位置和方向估计汽车使用2 d相机图像。机器人收到相机图像与许多点标记的特征检测算法:头灯,轮子,镜子。它也有一个3 d模型的汽车在其内存。目标是规模、旋转,并将3 d模型,所以它的特性与图像中的特征一致。“这很简单,如果特征检测算法做了它的工作完美,但是这是很少的情况下,“Carlone说。在真实的应用程序中,机器人面临着许多outliers-mislabeled特性可以使90%以上的观察。GNC算法的由来,优于所有竞争对手。
机器人解决这个问题用数学函数,考虑每一对之间的距离特性,正确的头灯在形象和正确的头灯在模型中。他们试图“优化”这个功能,东方模型以最小化所有的距离。更多的功能、更困难的问题。
解决这个问题的一个方法是尝试所有可能的解决方案的功能,看看哪个效果最好,但有太多的尝试。金宝搏官方网站更常见的方法,杨和Antonante解释,“是一个解决方案,保持nudging-making,说,车头灯模型更符合前灯的2 d图片你不能改善它了。“鉴于嘈杂的数据,它不会perfect-maybe前灯一致但车轮不可以重新开始另一个解决方案和完善,尽可能重复这个过程几次找到最好的结果。不过,找到最好的解决方案的可能性很小。
在真实的应用程序中,机器人面临着许多异常值,可占90%以上的观察。GNC算法的由来,优于所有竞争对手。
GNC算法找到最优排列尽管噪声测量异常值高达70 - 90%。图片来源:麻省理工学院。
GNC背后的理念是,首先简化问题。他们减少他们试图优化函数描述之间的差异3 d模型和2 d图像有一个最好的解决方案。现在,当他们选择一个解决方案,推动它,他们最终会找到最佳解决方案。然后他们恢复一点原始函数的复杂性和细化他们刚刚发现的解决方案。他们继续这样做,直到最初的功能及其最优解。车头灯很一致,所以是车轮和保险杠。
在圈子里
摘要GNC算法适用于形状对齐和大满贯,等问题。在大满贯的情况下,机器人使用传感器数据求出其过去的轨迹和建立一个地图。例如,机器人漫步大学校园收集量距数据显示在哪个方向走多远上午8:00 之间。和15 点。之间,15 点。和8:30 点。,等等。 8点也有激光雷达和摄像头的数据点。,15 点。,等等。偶尔,它将完整的循环,看到同样的事情在两个不同的时期,就像Tzoumas时他又跑过去了7 - 11。
研究人员发现GNC算法更准确比最先进的技术和能够处理更高比例的离群值。
就像在形状对齐,有一个需要解决的优化问题。杨,他是第一作者,解释说:“对于大满贯,而不是排队特性匹配一个3 d模型,系统弯曲轨迹它认为它遍历为了对齐对象在地图上。“首先,系统工作最小化之间的差异感知旅程由不同的传感器,由于每个传感器在测量中可能有错误。例如,如果机器人的里程表显示上午8:00 之间走了100米。和15 点。,基于激光雷达和摄像机测量轨迹更新应该反映这段距离,或接近它。系统还最小化位置之间的距离,似乎是同一个地方。如果机器人看到同一个 8点7 - 11点。和10点 点。,该算法将试图回忆trajectory-adjusting每个腿,弯曲,其位置有时上午8:00 回忆道。和10点 点。 align, closing the loop.
建筑物的室内机器人映射。GNC逐渐解开混乱的数据。在相对较少的步骤,算法到达一个精确的建筑物的室内地图。图片来源:麻省理工学院。
同时,该算法识别和丢弃outliers-bad数据点,它认为这是追溯其步骤,但它并不是贴错标签特性形状对齐。你不想错误关闭一个循环。Tzoumas回忆说,跑步穿过树林在缅因州,当他跑过去倒下的树干,看上去很熟悉的集合。他认为他会封闭循环,使用这个具有里程碑意义的,他拿了一把。只有在没有看到任何其他熟悉的20分钟,他怀疑他的错误和回头。
回忆轨迹优化之前可能看起来像一个复杂的线球。解开后,它就像一组直角线反映校园路径的形状和机器人遍历的走廊。这个大满贯过程的技术术语构成图优化。
在论文中,研究人员将他们的GNC算法与其他算法在多个应用程序,包括形状对齐和姿势图优化。他们发现他们的方法更准确比最先进的技术和能够处理更高比例的离群值。大满贯,即使三四个工作循环闭包是错误的,这是很多比它会在现实的应用程序中遇到的异常值。更重要的是,他们的方法通常比其他算法更有效,需要更少的计算步骤。Tzoumas说,“其中一个困难是找到一个通用的算法,在许多应用程序中工作得很好。”杨说,他们已经试过超过10。最后,Tzoumas说,他们发现“甜蜜点”。
MATLAB生成的地图创建的数据来自机器人割草坪。左:原始草坪的地图。中间:地图优化常见SLAM算法,其中包括贴错标签中未知异常关闭循环数据。右:地图与GNC优化算法。
从研究到生产是重要的一步研究成果在规模产生影响,罗伯特·g·瓦伦蒂说MathWorks机器人研究科学家。MathWorks一直在与Carlone的实验室将GNC算法集成到MATLAB作为导航工具箱™的一部分,在商业和工业企业用于实现大满贯自治系统。
走出困境
Carlone的实验室致力于扩展GNC的功能算法。例如,杨洁篪旨在设计感知算法,可以证明是正确的。和Antonante是找到方法来管理跨不同的算法不一致:如果一个自治的大满贯模块车辆道路直接说,但是lane-detection模块它弯曲对说,你有一个问题。
GNC算法使机器人的新基准赶上自己的错误。
Tzoumas不仅仅是看如何扩大互动多个算法在一个机器人,但多个机器人之间的协作。在前期的工作中,他编程飞行的无人机跟踪目标,如罪犯试图逃跑步行或乘汽车。展望未来,多台机器可以运行GNC集体算法。每个将部分信息有助于其邻居,和他们一起建立一个全球的地图位置在地球上或其他地方。今年他搬到密歇根大学航空航天工程部门的工作值得信赖的自治多机器人规划和self-navigation-even在困难的环境中,如战场和其他行星。
“不知道AI和感知算法将为使用它们的行为是一个巨大的威慑,“Antonante说。他指出,机器人博物馆导游不会信任如果有机会他们会撞到游客或《蒙娜丽莎》:“你想让你的系统有一个深刻的理解它的环境和本身,所以它可以捕捉到自己的错误。“GNC算法使机器人的新基准抓住自己的错误,而且,最重要的是,正如Tzoumas所说,“它帮助你摆脱困境。”
