Вы когда-нибудь задумывались, почему роботы-пылесосы иногда ведут себя как пьяные ежи? Дело не в программировании, а в том, что они банально не знают, где находятся. GPS в помещении не работает, а существующие системы навигации либо дорогие, либо глючные. Но что если я скажу, что решение лежит прямо у нас над головой – в обычных светодиодах?
Зачем вообще изобретать велосипед?
Представьте склад на окраине Новосибирска зимой. Температура за бортом -35°C, влажность скачет, а роботу-погрузчику нужно точно знать, где он находится среди стеллажей высотой в три метра. Wi-Fi сигнал глушится металлическими конструкциями, ультраширокополосные датчики стоят как крыло от самолета, а лазерные системы боятся пыли больше, чем кот воды.
Тут-то и приходит на помощь оптическая беспроводная связь. Простыми словами – светодиоды на потолке мигают, датчик на роботе их «видит», и на основе силы сигнала система вычисляет положение. Звучит элементарно, но дьявол, как всегда, в деталях.
Проблема в том, что данных нет
Когда я начал заниматься этой темой, обнаружил фундаментальную проблему: открытых наборов данных для тестирования таких систем практически не существует. Все исследователи варятся в собственном соку, каждый изобретает свой велосипед, а сравнить результаты невозможно.
Именно поэтому мы решили создать первый серьезный открытый набор данных, который объединяет оптическое позиционирование с инерциальными датчиками (те самые гироскопы и акселерометры, что стоят в вашем телефоне).
Как мы это делали
Установка была максимально приближена к реальным условиям. Четыре инфракрасных светодиода на потолке высотой 2,4 метра – как в обычном офисе или складе. Каждый светодиод мигает на своей частоте, чтобы датчик мог их различить.
На роботе-тележке установили фотодиод и инерциальный блок. Робот ездил по заданным траекториям с тремя скоростями: медленной (0,15 м/с – как пенсионер в очереди), средней (0,275 м/с – обычная походка) и быстрой (0,45 м/с – когда опаздываешь на работу).
Но самое интересное – мы тестировали систему в двух условиях: в пустом помещении и с металлической колонной посередине. Эта колонна имитировала препятствия, которые блокируют прямую видимость между светодиодами и датчиком – типичная ситуация в реальном мире.
За точными координатами следила профессиональная система захвата движения Qualisys – та же технология, что используется в кино для создания спецэффектов.
Что получилось в цифрах
Собрали более 110 тысяч измерений за 80 минут записи. Частота данных: светодиоды – 27 Гц, инерциальные датчики – 200 Гц, эталонные координаты – 160 Гц.
Первые тесты показали неожиданные результаты. Простая многопозиционная триангуляция (когда по силе сигнала вычисляется расстояние до каждого источника) давала точность около 25-40 см. Неплохо, но недостаточно для точной навигации.
Применение гауссовских процессов – продвинутого метода машинного обучения – сразу улучшило ситуацию. При достаточном объеме обучающих данных (400 точек) медианная ошибка упала до 9-11 см. Это уже серьезная точность.
Когда добавили гироскопы
Самое интересное началось, когда мы объединили оптические измерения с данными инерциальных датчиков через расширенный фильтр Калмана. Эта штука работает как предсказатель: гироскопы и акселерометры дают высокочастотную информацию о движении, а светодиоды корректируют накапливающиеся ошибки.
Результат превзошел ожидания:
- 99-процентная ошибка снизилась с 40 до 25 см
- Медианная точность улучшилась до 7-9 см
- Система научилась отличать реальное движение от вибраций
Препятствия – это жизнь
Особо стоит отметить поведение системы при наличии препятствий. Металлическая колонна создавала тени и многолучевые отражения – настоящий кошмар для оптических систем. Но даже в этих условиях точность оставалась приемлемой, особенно при использовании комбинированного подхода.
Интересно, что скорость движения практически не влияла на точность при достаточном количестве обучающих данных. То есть система одинаково хорошо работает и для медленного погрузчика, и для быстрого курьерского робота.
Зачем это нужно
Может показаться, что мы просто играемся с цифрами, но на самом деле за этим стоят вполне конкретные применения:
Складская логистика: Роботы-погрузчики могут точно позиционироваться между стеллажами без дорогостоящей лазерной навигации.
Навигация в аэропортах: Автономные тележки для багажа или роботы-уборщики смогут ориентироваться в сложной инфраструктуре.
Умные заводы: Мобильные роботы на производственных линиях получат недорогую, но точную систему навигации.
Медицинские учреждения: Роботы для доставки лекарств и еды смогут автономно перемещаться по больничным коридорам.
Что дальше?
Мы выложили весь набор данных в открытый доступ. Любой исследователь или инженер может скачать 110 тысяч измерений и протестировать свои алгоритмы на реальных данных. Больше никого не заставляем изобретать велосипед с нуля.
В планах – исследование более продвинутых методов объединения данных, включая нейронные сети и диффузионные модели. Возможно, удастся выжать из этой технологии еще больше точности.
А пока можно констатировать: оптическое позиционирование с инерциальными датчиками – это не академическая забава, а вполне рабочая технология. Особенно если учесть, что инфракрасные светодиоды стоят копейки, а фотодиоды производятся миллионами.
Время, когда роботы будут ориентироваться в пространстве так же уверенно, как мы сами, уже не за горами. И начинается это с таких вот скучных, но важных исследований – сбора данных, тестирования алгоритмов и открытого обмена результатами.
Технологии должны работать не только в лаборатории, но и в реальных условиях. А для этого нужны реальные данные.
