Rewolucja w nawigacji robotów: inspiracja ludzką pamięcią kluczem do sukcesu

Autonomiczne roboty mobilne (AMR) odgrywają kluczową rolę w automatyzacji procesów w centrach logistycznych i zakładach produkcyjnych. Adaptacja do dynamicznego środowiska pracy, w którym pojawiają się nieoczekiwane przeszkody, takie jak wózki widłowe czy nagle umieszczone towary, stanowi jednak spore wyzwanie. Dotychczas roboty reagowały jedynie na bezpośrednie zagrożenia, co prowadziło do niepotrzebnych objazdów i opóźnień, a w konsekwencji – do obniżenia wydajności.

Zespół profesora Kyung-Joon Parka z DGIST (Daegu Gyeongbuk Institute of Science and Technology) postanowił znaleźć rozwiązanie tego problemu, inspirując się mechanizmami funkcjonującymi w społeczeństwie ludzkim. Naukowcy skupili się na tym, jak informacje o różnych zdarzeniach rozprzestrzeniają się i z czasem ulegają zapomnieniu. Stworzyli model matematyczny tego procesu i zaimplementowali go w algorytmie inteligencji zbiorowej dla robotów.

Jak to działa?

Dzięki temu roboty potrafią „zapominać” nieistotne informacje, dzielić się tylko kluczowymi danymi i efektywniej współpracować podczas nawigacji. W praktyce oznacza to płynniejsze unikanie przeszkód i szybsze dotarcie do celu.

W przeprowadzonych eksperymentach wykorzystano symulator Gazebo, który odwzorowywał środowisko centrum logistycznego. Wyniki pokazały, że nowa technologia zwiększyła przepustowość zadań o 18% i skróciła średni czas jazdy o 30,1% w porównaniu z konwencjonalną nawigacją ROS 2. To dowodzi, że roboty ewoluują w kierunku systemów „Physical AI”, które rozumieją zasady społeczne i potrafią działać autonomicznie.

Łatwa implementacja

Kolejną zaletą tego rozwiązania jest łatwość implementacji. Technologia wykorzystuje jedynie skanery 2D LiDAR i została opracowana jako wtyczka kompatybilna z ROS 2 navigation stack. Oznacza to, że można ją bezpośrednio zastosować w istniejących systemach autonomicznej nawigacji bez konieczności wdrażania skomplikowanego sprzętu. To z kolei otwiera drogę do szybkiego wdrożenia w różnych środowiskach przemysłowych, takich jak roje dronów, pojazdy autonomiczne i roboty logistyczne.

Profesor Kyung-Joon Park podkreśla, że kluczem do sukcesu jest naśladowanie społecznego mechanizmu zapominania niepotrzebnych informacji przy jednoczesnym zachowaniu tych istotnych. Jego zdaniem, to ważny krok w ewolucji „Physical AI” w kierunku systemów naśladujących ludzkie zachowania.

Potencjał dla inteligentnych miast i operacji ratunkowych

Rozwiązanie to ma ogromny potencjał w zakresie wdrażania systemów kooperacyjnej nawigacji autonomicznej w inteligentnych miastach, w zarządzaniu ruchem drogowym, a także w operacjach poszukiwawczo-ratowniczych na dużą skalę.