Одним из самых важных аспектов робототехники является навигация. Какой толк от робота, если он не в состоянии дойти от точки А в точку Б. Для эффективной и успешной навигации любой автономный робот должен считывать информацию об окружающей среде, чтобы рассчитывать оптимальный маршрут и огибать препятствия. Для это могут быть использованы самые разные датчики, но самыми экономными и эффективными являются обычные камеры. Проблема в том, что обработка визуальных данных и их хранение требует большого объема вычислительной мощности и памяти, чем маленькие роботы не обладают. Ученые из Делфтского технического университета (Делфте, Нидерланды), вдохновленные поведением муравьев, создали систему навигации, основанную на компиляции траектории робота в виде набора сильно сжатых панорамных изображений вместе с их пространственными отношениями, измеренными с помощью одометрии. Как именно работает данная система, насколько она эффективна, и что показали практические испытания? Ответы на эти вопросы мы найдем в докладе ученых.
Основа исследования
Мобильные автономные роботы, в отличие от своих стационарных собратьев, должны эффективно перемещаться в пространстве, чтобы выполнять свои функции. В настоящее время большинство автономных роботов полагаются на внешнюю инфраструктуру для локализации и навигации, такую как система глобального позиционирования (GPS) на открытом воздухе или сверхширокополосные системы локализации в помещении. Однако для многих приложений такая зависимость от внешней инфраструктуры нежелательна. Во-первых, внешняя инфраструктура, такая как GPS, может быть не всегда доступна в плотной городской среде, или в экстремальных условиях, таких как пещеры. Во-вторых, создание дополнительной инфраструктуры может оказаться слишком непрактичным или трудоемким, особенно в новых или неизвестных условиях, таких как поисково-спасательные операции. Даже в полностью контролируемых средах, таких как теплицы или склады, расходы на создание и поддержание специальной навигационной среды могут быть еще одним недостатком. Следовательно, роботы должны перемещаться в пространстве, полагаясь исключительно на свои собственные датчики.
Изображение №1
Хотя для более крупных роботов существует множество вариантов, к сожалению, это не относится к меньшим системам, таким как рассматриваемый в данном труде дрон массой 56 грамм (фото выше), не говоря уже о еще более мелких системах. Прежде всего, датчики могут быть слишком большими, тяжелыми или энергоемкими для использования на небольших платформах. Так обстоит дело, например, с датчиками обнаружения света и определения дальности, которые в остальном представляют собой популярное и высокоточное решение для более крупных роботов.
Решением может стать навигация на основе изображения, поскольку камеры представляют собой пассивные датчики, которые могут быть одновременно очень легкими и энергоэффективными. Однако и тут есть свои недостатки: чрезмерные вычислительные требования лежащих в основе алгоритмов машинного зрения. Основные подходы к визуальной навигации, как правило, полагаются на одновременную локализацию и картографирование (SLAM от simultaneous localization and mapping) — класс алгоритмов, которые обычно создают и поддерживают подробные, метрически точные карты окружающей среды, явно принимая во внимание неопределенности измерений. Расчеты, которые учитывают эти неопределенности и глобально корректируют карту, делают SLAM сложным в вычислительном отношении и требуют большого объема памяти, требуя от сотен мегабайт до даже нескольких гигабайт для картирования пространств среднего размера (порядка десятков квадратных метров). Для достижения навигации с помощью карт, построенных с использованием SLAM, дополнительно требуются алгоритмы планирования пути и отслеживания траектории. Как следствие, совокупности данных систем вычисления требует огромного вычислительного ресурса, для реализации которого потребуется использование мощных встроенных процессоров, что не есть оптимальным решением в рамках миниатюрных роботов.
Муравей вида Cataglyphis (пустынный муравей).
В поисках решения вышеописанных проблем ученые обратились к самому надежному источнику вдохновения — к природе. Насекомые, такие как муравьи и пчелы, могут перемещаться на значительные расстояния, несмотря на свой крошечный мозг. Например, пустынный муравей Cataglyphis может преодолевать более 1 км в поисках пищи, а затем без труда возвращаться в свое гнездо. Чтобы внедрить аналогичный алгоритм в роботов, необходимо понять, как работает навигация насекомых.
Биологи изучали навигацию насекомых более века и выявили два ее основных компонента. Первым является интеграция пути, которая имеет аналог в робототехнике, называемый «одометрией», то есть интеграция пройденного расстояния и направления для оценки своего положения. Например, муравьи определяют пройденное расстояние, подсчитывая количество сделанных шагов. Более того, они интегрируют вентральный оптический поток, отслеживая, насколько быстро земля движется мимо них. Направление измеряется относительно Солнца и соответствующей поляризации неба. Используя эти измерения, муравьи могут оценить свое положение относительно гнезда.
Хотя интеграция траектории может дать оценку местоположения, у нее есть один существенный недостаток: она подвержена дрейфу, поскольку интегрирует ошибки измерения. Для решения этой проблемы используется второй компонент навигации: просмотр памяти. Здесь сама среда формирует дополнительный сигнал для локализации или навигации. Как именно это работает у насекомых, ученые пока не могут сказать однозначно. Наиболее подходящей для данного исследования, по словам ученых, является модель моментального снимка, предложенная в труде «How honey bees use landmarks to guide their return to a food source». В этой модели ученые предполагают, что пчелы запоминают наличие и расположение ориентиров в поле зрения, которые они видят в месте их цели. Затем, чтобы вернуться, они пытаются маневрировать так, чтобы ориентиры в их поле зрения вернулись на запомненные позиции.
Подобная система уже была реализована в робототехнике, однако она работала только на небольшом расстоянии от цели (зона охвата). Для навигации на большие расстояния простым подходом будет последовательное наведение на ближайшие цели. Пока робот находится внутри зоны охвата следующего снимка, это будет успешным. Однако зоны охвата, как правило, ограничены в размерах. В результате снимки необходимо располагать близко друг к другу, а это означает, что необходимо хранить большое количество снимков, чтобы запомнить более длинные маршруты. В зависимости от представления снимка, которое может варьироваться от изображений с полным разрешением до более сжатых, для этого все равно может потребоваться больше памяти, чем доступно на крошечных роботизированных платформах.
Чтобы снизить требования к памяти, было предложено несколько тактик. Первая — это уменьшение потребления памяти снимками. Многие исследования уже свели изображения к одному ряду пикселей, где боковой поток объектов достаточен для визуального наведения. Некоторые ученые пошли еще дальше, преобразовав эту линию в частотную область и запомнив только самые низкочастотные компоненты, тем самым еще больше уменьшив размер снимка. Вторая тактика — увеличение интервала между снимками. В одном из исследований было предложено усовершенствование, в котором вектор приведения использовался в качестве оценки положения относительно снимка. Это позволило дрону пролететь на некоторое расстояние к следующей зоне охвата при условии, что вектор был достаточно точным. В результате перекрытие между снимками было уменьшено, но не устранено. В другом труде одометрия сочеталась с визуальным наведением. Новые снимки были сделаны, когда одометрические и визуальные оценки направления к снимку начали расходиться. Однако, поскольку это происходит на границе охвата, этот метод по-прежнему приводил к значительному перекрытию зон последующих снимков.
В рассматриваемом нами сегодня труде ученые предлагают подход, позволяющий существенно увеличить расстояние между снимками и объединить его с алгоритмом возврата в исходное положение, эффективно использующим память.
Теория исследования
Изображение №2
Авторы исследования предлагают использовать комбинацию визуального самонаведения и одометрии (изображение №2). В этой схеме предполагается, что робот сначала выполняет исходящий полет к цели, а затем входящий (обратный) полет к исходной точке. Исходящий полет в принципе может осуществляться по любому закону управления, включая ручное управление. Поскольку внимание ученых сосредоточено на следовании по маршруту во время обратного полета, ученые предполагают, что исходящий полет выполняется без столкновений и что окружающая среда статична, так что маршрут остается свободным от препятствий. Во время обратного полета большая часть расстояния преодолевается с использованием одометрии, но без какой-либо коррекции одометрический дрейф в конечном итоге станет слишком большим. Чтобы исправить этот дрейф, роботу позволяется использовать визуальное наведение, чтобы периодически возвращаться в известные места в окружающей среде (места снимка). Во время наведения он сравнивает свое всенаправленное изображение только с текущим активным снимком. После возврата в исходное положение робот находится в известном положении и может сбросить оценку своего положения, тем самым устраняя любой возникающий одометрический дрейф. После этого сброса робот может начать новый этап одометрии и визуального наведения, где первоначальная ошибка состоит только из неточностей наведения на последнем снимке.
Предложенная стратегия чрезвычайно эффективна с точки зрения использования памяти, поскольку снимки располагаются как можно дальше друг от друга. В частности, расстояние между снимками в конечном итоге ограничивается точностью одометрии, поскольку стратегия будет успешной до тех пор, пока дрон сможет надежно оказаться внутри следующей зоны охвата. При разумной точности одометрии это расстояние может быть намного больше, чем когда требуется перекрытие зон охвата для последовательных снимков.
Результаты исследования
В качестве первого шага к эффективному использованию визуального маршрута ученые сравнили алгоритмы возврата с точки зрения эффективности их использования памяти. Чтобы облегчить поиск эффективного алгоритма, во-первых, ученые разделили алгоритмы визуального наведения на общие категории по двум осям. Было проведено сравнение между «методами управления» или «методами на основе визуального компаса» и «векторными методами». Методы рулевого управления характеризуются расчетом угла поворота или скорости управления положением. Обычно эти методы зависят только от функций в переднем поле зрения робота. Методы рулевого управления часто используются в задачах визуального обучения и повторения навигации и были вполне успешны на больших расстояниях.
С другой стороны, векторные методы обычно создают не угол поворота, а вектор, направленный к снимку. В отличие от методов, основанных на управлении, векторные методы, как правило, не имеют очевидного направления «вперед» и обычно полагаются на панорамное поле зрения. Векторные методы часто используются для наведения на одну точку, а также для визуального следования по маршруту, хотя исследования в этом направлении были гораздо менее обширными, чем исследования методов управления.
Ученые решили выбрать для своего исследования методы на основе векторов. Их рассуждения были следующими: во-первых, методы, основанные на управлении, требуют, чтобы их опорные изображения были расположены близко друг к другу. Расстояние между изображениями должно быть меньше, чем расстояние до доминирующего объекта окружающей среды. Во-вторых, ученые стремились разместить робота как можно ближе к снимку, в идеале — поверх него. В результате не было гарантии, что снимок окажется перед роботом после путешествия с одометром; с такой же вероятностью он мог находиться позади него или сбоку от него. Наконец, вектор — более естественный способ выразить движение для голономных систем, таких как дрон.
Вторым критерием, по которому были классифицированы алгоритмы возврата в исходное положение, стал способ представления снимков. Ученые рассмотрели две категории представлений снимков для использования при визуальном наведении: представления на основе ориентиров и целостные представления. Методы на основе ориентиров представляют снимок как набор точечных ориентиров, каждый из которых имеет свое собственное направление. Следовательно, при визуальном наведении на основе ориентиров точки в окружающей среде отслеживаются от текущего до целевого изображения. По соответствию точек между этими двумя изображениями можно получить вектор наведения, направленный к цели, например, с помощью визуального сервопривода.
Для описания и отслеживания ориентиров используются детекторы ключевых точек и дескрипторы компьютерного зрения. Кроме того, необходимо сохранить направление на каждый ориентир. В целом это по-прежнему приводит к значительному потреблению памяти, особенно когда необходимо запомнить большое количество снимков. Чтобы уменьшить потребление памяти, можно совместно использовать дескрипторы между несколькими снимками, однако размер одного снимка остается порядка сотен байт и более.
В отличие от алгоритмов, основанных на ориентирах, целостные методы работают с изображением в целом. Вместо сопоставления направлений ориентиров все текущее и целевое изображения сопоставляются, например, с суммой квадратичных разностей. Это приводит к функции разности изображений (IDF от image difference function), которая должна быть равна нулю, когда текущий и целевой вид совпадают, и плавно увеличиваются с расстоянием вблизи целевого местоположения. Найдя направление уменьшения IDF, можно выполнить возврат в исходное положение.
Одним из вариантов обнаружения и отслеживания градиента IDF является выполнение физических движений. Поиск градиента таким способом может занять много времени. Поэтому был разработан альтернативный метод, в котором небольшие движения моделировались путем деформации изображения. Используя этот метод, ученые провели перебор нескольких потенциальных движений и выбрали лучшее совпадение. Поэтому данный метод назвали «Search» («поиск»).
В качестве более эффективной в вычислительном отношении альтернативы выступает предсказывание только двух перпендикулярных движений и использование их для оценки градиента IDF. Следуя градиенту, робот окажется в (локальном) минимуме IDF. Данный метод был назван «MFDID».
Изображение №3
Хранение целых изображений не является идеальным с точки зрения эффективности использования памяти. Этот метод даже хуже, чем большинство подходов, основанных на ориентирах. Первое улучшение заключается в том, что снимки можно усреднять по вертикали, поскольку только бокового потока должно быть достаточно для нахождения вектора наведения. Эти одномерные снимки можно существенно сжать, сохранив при этом производительность наведения. Это сжатие выполнялось путем сначала преобразования снимков в частотную область, а затем сохранения только самых низкочастотных компонентов, где большая часть мощности находится в естественных изображениях. Авторы данного метода показали, что возвращение к точке вылета по-прежнему возможно, используя только пять нижних компонентов. При соответствующем округлении такой снимок может занимать всего 10 байт.
На 3A показано необработанное панорамное изображение и его реконструкция с использованием сильно сжатого представления Фурье. Можно заметить, что этот метод, который был назван просто «Фурье», улавливает грубые вертикальные структуры окружающей среды. Поскольку эти изображения в конечном итоге могут быть сжаты сильнее, чем пары пеленга-дескриптора при наведении на основе ориентиров, именно целостные алгоритмы и были использованы в данном труде.
Выбор конкретного алгоритма визуального наведения означал поиск компромисса между размером зоны охвата, потреблением памяти для снимков и вычислительными требованиями. Ученые оценили зоны охвата с помощью вышеупомянутых целостных векторных методов. Набор используемых для этого данных содержит изображения в оттенках серого размером 100 на 100 пикселей, снятые с интервалом 12.7 см в комнате размером 7.3 на 6.9 м и части прилегающего коридора.
Чтобы оценить зону охвата, ученые создали снимки всей окружающей среды и для каждого снимка рассчитали векторы наведения во всех местах панорамного изображения в комнате (3B). Затем из каждой стартовой позиции были созданы траектории наведения путем интегрирования билинейно интерполированных векторов наведения. Эти траектории позволяют определить конечное положение робота после возврата в исходное положение и тем самым найти набор стартовых точек, из которых возвращение в исходное положение будет успешным, то есть зону охвата.
Поскольку зона охвата может иметь весьма неправильную форму (темно-синяя область на 3B), ученые приняли количество успешных стартовых ячеек в качестве меры размера зоны охвата. Верхний график на 3C показывает взаимосвязь между размером снимка в байтах и средней площадью зоны охвата в квадратных метрах. Метод Фурье позволил получить самые большие области охвата для снимков размером менее 32 байт, тогда как метод поиска дал самые большие области охвата.
Нижний график на 3C показывает среднее соотношение площади зоны охвата к размеру снимка. Это показывает, что метод Фурье очень эффективен для небольших снимков. Поскольку этот алгоритм эффективно использует память и дешев в вычислительном отношении, он был использован в дальнейших экспериментах.
Изображение №4
Прежде чем объединить визуальное наведение и одометрию в единую стратегию навигации, ученые исследовали эти элементы по отдельности. Сначала они проверили эффективность наведения выбранного визуального снимка на своей роботизированной платформе Bitcraze Crazyflie Brushless массой 56 грамм. Этот крошечный дрон размером 12.5 см нес блок панорамной камеры массой 10 грамм (входит в общую массу в 56 г). В сборку вошел чип STM32F4 для обработки всенаправленного изображения в режиме реального времени. Кроме того, дрон был оснащен платформой с камерой, направленной вниз, и крошечным лазерным дальномером для измерения оптического потока и высоты соответственно. Объединение этих измерений приводит к получению оценок скорости, которые использовались для одометрии.
В эксперименте по самонаведению дрон сначала был направлен в центр испытательной среды, на летную арену размером 10х10х7 м, названную «Cyberzoo» (4C). Впоследствии дрону дали команду уйти в небольшое количество локаций от цели, на максимальное расстояние примерно 2 метра. Затем дрон выполнил визуальное наведение методом Фурье. На изображении №4 показан вид сверху на траектории дрона (4A), расстояние до места цели во времени во время самонаведения (4B) и обзорное изображение летной арены (4C).
Было установлено, что восемь из девяти запусков приближали дрон к целевой точке, в пределах ~ 0.5 м, после чего запуск был завершен. Неудачный полет начался с одной из крайних позиций. По определению, неудачная попытка наведения означает, что стартовая позиция находилась за пределами (неизвестной) зоны охвата снимка в центре. Эксперимент также показал, что дрон не всегда летел прямо к цели. Это указывает на то, что вектор самонаведения может указывать в другом направлении, чем вектор цели. Однако пока вектор самонаведения находится в пределах ± 90°, расстояние будет уменьшаться, и дрон в конечном итоге достигнет цели.
Изображение №5
Как объяснялось ранее, стратегия самонаведения основана на том, чтобы снимки располагались настолько далеко друг от друга, насколько позволяет одометрия. В частности, дрон должен оказаться прямо внутри следующей зоны обслуживания. Точность позиционирования дрона зависит от двух основных факторов: точности его исходной позиции после наведения и дрейфа, возникающего при движении к новой позиции. Это было продемонстрировано моделированием нескольких траекторий на 5A, на котором отклонения исходного положения и курса, скорости отклонения от курса и ошибки скорости были преувеличены, чтобы продемонстрировать их влияние.
Модель показала, что на коротких дистанциях ошибка позиционирования в первую очередь была вызвана ошибками начальной позы, поскольку она была практически постоянной. На больших расстояниях ошибка начинает расти из-за интегрированных ошибок одометрии. В конце участка маршрута, пройденного с помощью одометрии, поперечная ошибка была больше, чем продольная ошибка. Это можно увидеть на 5A, где разброс ортогонально больше, чем вдоль маршрута, и на 5C, где это также справедливо для реальных экспериментов по одометрии. Этот эффект вызван ошибкой курса, состоящей из начального смещения и последующего дрейфа. На 5B показаны абсолютные ошибки поперечного отклонения в эксперименте с дроном. В целом точность была довольно хорошей: среднеквадратическая погрешность в поперечном направлении составила 13 см после 5 метров пути.
Графики на 5C и 5D показывают аналогичный эксперимент, но на больших расстояниях. Дрон пересек линию длиной примерно 5 метров туда и обратно 10 раз. На 5C дрон использовал для этой процедуры только одометрию. На 5D дрон сделал снимок в верхнем левом углу и использовал его для корректировки при каждом возврате к исходной точке. Результаты показывают, что одометрические данные действительно дрейфовали и что дрейф становился существенным на больших расстояниях. Они также показывают, что схема периодической перестройки, хотя и вносила некоторую ошибку из-за неточностей приведения в исходное положение, предотвращала накопление одометрического дрейфа с течением времени и, как следствие, сохраняла ошибку при движении на большие расстояния.
Изображение №6
Доказав основные принципы, ученые затем продемонстрировали полную стратегию на более сложных траекториях и средах. Они создали различные типы траекторий, исходящая часть которых была пройдена с использованием одометрии (без какой-либо глобальной обратной связи по положению). После того как исходящий путь был завершен, дрон начал свой обратный путь с помощью предложенной стратегии навигации, вдохновленной насекомыми. Ученые качественно сравнили точность следования по маршруту относительно исходящей траектории.
Траектории состояли из множественных прохождений S-образной формы (6A) или U-образной формы (6B). Траектории повторялись, чтобы максимально увеличить расстояние перемещения в пределах ограниченной зоны испытаний. Итоговая длина пути составила 40 м для S-образной траектории и 56 м для U-образной. В конечном итоге продолжительность эксперимента была ограничена емкостью аккумулятора дрона.
Учитывая различные неизвестные формы и размеры зон охвата, а также переменный характер дрейфа, выбор интервала между снимками имеет значение для компромисса между надежностью навигации и расходом памяти. В проведенных экспериментах ученые использовали фиксированное расстояние между снимками в 1 или 2 метра. Во-первых, это были консервативные значения, при которых в ошибке положения в основном преобладали неточности наведения, тогда как одометрический дрейф между снимками оставался небольшим. Во-вторых, это дало больше попыток визуального наведения, что позволило лучше определить его использование и надежность во время следования по маршруту.
Выше показаны результирующие траектории для предложенного метода (6A и 6B). Робот успешно и точно проследовал по исходящей траектории обратно к месту старта. Память отслеживания маршрута для траектории U состояла из 31 16-байтового снимка и от 2 до 3 2-байтовых векторов одометрии между снимками, что привело к общему размеру памяти 0.65 килобайта на расстоянии 56 метров.
Ученые также сравнили свой метод с последовательным визуальным наведением на одну из траекторий (6C). Эксперимент показал, что наведение между последовательными снимками является жизнеспособным методом навигации. Однако снимки нужно было располагать на расстоянии 25 см; предыдущие попытки с интервалом в 1 метр неизменно терпели неудачу. Поскольку области охвата масштабируются пропорционально размеру окружающей среды (расстоянию до доминирующих объектов, в данном случае стен), они были значительно меньше, чем на изображении №4. Помимо повышенного потребления памяти, процедура возврата в исходное положение была также относительно медленной (для предотвращения перелета или больших углов тангажа/крена), и в результате дрон пролетел значительно меньшее расстояние, прежде чем разрядился аккумулятор. Для сравнения, исследуемая стратегия имела существенно более высокую среднюю скорость, тогда как ошибка отслеживания имела тот же порядок величины.
Изображение №7
Ученые также провели ряд экспериментов, чтобы оценить надежность своего метода навигации. Одной из важных характеристик выбранного представления снимка (с вертикальным усреднением и сжатием Фурье) является то, что оно зависит от заметных вертикальных особенностей (контрастов вдоль линии горизонта). Такие функции обычно присутствуют как в помещении, так и на открытом воздухе. Чтобы проиллюстрировать это, ученые сделали серию снимков в различных местах здания аэрокосмического факультета Делфтского технического университета. Низкое разрешение снимков поначалу может показаться совершенно невыгодным для точного наведения, но на самом деле оно обеспечивает некоторую устойчивость к небольшим, динамичным объектам. Это иллюстрируется экспериментом, в котором ученые отслеживали результирующий вектор возврата к точке отправки, одновременно перемещая объекты вокруг робота. Иногда в закрытых помещениях встречаются коридоры с чисто однородными стенами. В этом случае текущий подход не сможет исправить снос в направлении коридора (боковой снос можно отменить из-за разного внешнего вида пола и стен).
Кроме того, чтобы показать, что дрон также может следовать по маршруту в различных помещениях, ученые провели дополнительные эксперименты в трех разных местах на факультете аэрокосмической техники: рядом с симулятором самолета SIMONA, в коридоре офиса и в своем лабораторном помещении (изображение №7).
Наконец, поскольку время полета настоящего дрона ограничено, ученые провели симуляционные эксперименты, чтобы показать, что с помощью предложенной стратегии можно преодолевать и большие расстояния. В частности, в симуляторе AirSim смоделированный дрон с дополненной реальностью Parrot смог использовать эту стратегию для успешного прохождения 300-метровой траектории в лесной среде.
Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых, дополнительные материалы к нему, а также видеоматериалы (скачивание автоматическое).
Эпилог
В рассмотренном нами сегодня труде ученые описали разработанную ими стратегию навигации для автономных роботов, основанную на навигации насекомых.
Несмотря на свои скромные габариты, муравьи обладают рядом удивительных способностей, одной из которых является отличное ориентирование на местности и навигация. Когда муравей должен вернуться к своему гнезду, он использует для расчета верной траектории несколько важных наборов данных: количество пройденных шагов (одометрия, т. е. отслеживание собственных движений) и визуальное распознавание окружающей среды (и тех или иных ориентиров). Подобная тактика весьма полезна и для роботов, особенно для маленьких.
Проблема самостоятельной навигации автономных роботов в том, что она требует огромных вычислительных ресурсов и памяти. А это те ресурсы, которыми мини-роботы не обладают. Следовательно, необходим метод, который будет максимально экономичен.
В основе разработанной методики навигации лежат снимки, которые робот использует для определения своего положения в пространстве. Когда робот (в данном случае летающий дрон массой 56 грамм) пытается вернуться к начальной точке полета, он сопоставляет визуальные данные об окружающей среде со снимками, которые хранятся у него в памяти. Но, чтобы робот не начал лететь в неправильном направлении, этих снимков должно быть достаточное количество. Если же снимки будут располагаться в пространстве достаточно близко друг к другу, то это приведет к увеличению необходимой памяти. Основная суть разработки заключается в том, что снимки можно располагать дальше друг от друга, экономя память, а перемещение между этими точками (снимками) осуществляется посредством одометрии. Даже если дрон начнет дрейфовать в неправильном направлении, если он затронет зону охвата снимка, то его траектория исправится. Ученые также отмечают, что это позволяет роботу путешествовать гораздо дальше, поскольку на основе одометрии робот летит гораздо медленнее при наведении на снимок, чем при полете от одного снимка к другому. Во время практических испытаний дрон массой 56 грамм, используя разработанную тактику навигации, смог пролететь 100 метров, использовав при этом 0.65 килобайта памяти на навигационные снимки.
По словам ученых, совершенствование навигационных возможностей в робототехнике позволит роботам будущего куда более быстро и эффективно выполнять свои функции, при этом потребляя гораздо меньше вычислительных ресурсов.
Немного рекламы
Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).
Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 — 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB — от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?
