Sztuczna inteligencja uczy roboty nawigacji bez mapy. Unikają ślepych zaułków i gubienia się

Roboty radzą sobie z nawigacją w przestrzeni na dwa sposoby. Albo korzystają z precyzyjnej mapy, albo polegają na ciągłej, dokładnej lokalizacji. Co jednak, jeśli mapa jest niedostępna lub nieaktualna, a system lokalizacji zawodzi? W takich sytuacjach robot gubi się, a jego zadanie staje się niemożliwe do wykonania.

Rozwiązaniem tego problemu może być nowe podejście oparte na sztucznej inteligencji, opracowane przez naukowców z Cardiff University i Hohai University. Stworzyli oni model głębokiego uczenia ze wzmocnieniem (DRL), który uczy roboty podejmowania decyzji nawigacyjnych z uwzględnieniem jakości lokalizacji. Innymi słowy, robot nie tylko zmierza do celu, ale również analizuje otoczenie i wybiera trasy, gdzie ryzyko „zgubienia się” jest mniejsze.

Artykuł na ten temat ukazał się w lipcu 2025 roku w czasopiśmie „IET Cyber-Systems and Robotics”.

Jak to działa?

Kluczem do sukcesu jest połączenie DRL z informacją zwrotną w czasie rzeczywistym, dotyczącą estymacji pozycji robota. Model analizuje dane z kamery RGB-D i wykorzystuje algorytm ORB-SLAM2 do oceny jakości lokalizacji w danym miejscu. Na tej podstawie robot uczy się rozpoznawać „bezpieczne” wizualnie obszary, czyli takie, które zapewniają wiarygodne dane lokalizacyjne.

Co ważne, system nie opiera się na sztywnych progach i założeniach. Robot uczy się dynamicznie dostosowywać do zmieniających się warunków środowiskowych. Nowatorska jest również funkcja nagrody, bazująca na względnym błędzie pozycji (RPE). Dzięki niej robot otrzymuje natychmiastową informację zwrotną o tym, czy dany ruch poprawia, czy pogarsza jego orientację w przestrzeni.

Testy i wyniki

Naukowcy przeprowadzili szeroko zakrojone testy w środowisku symulacyjnym iGibson, porównując swój model z czterema innymi metodami nawigacji. Nowe rozwiązanie znacząco przewyższało konkurencję, osiągając 49% skuteczność w trudnych scenariuszach w pomieszczeniach, w porównaniu do zaledwie 33% dla konwencjonalnej nawigacji opartej na SLAM. Model wykazał również mniejszy błąd lokalizacji i lepszą zdolność adaptacji w nowych środowiskach.

Co ciekawe, robot często wybierał dłuższe, ale bezpieczniejsze trasy, demonstrując wartość priorytetowego traktowania niezawodności lokalizacji nad efektywnością ścieżki. Dr. Ze Ji, główny autor badania, podkreśla, że celem nie było nauczenie robota poruszania się, ale myślenia o tym, jak dobrze wie, gdzie się znajduje. „Nawigacja to nie tylko unikanie ścian, to utrzymywanie pewności co do swojej pozycji na każdym kroku” – dodaje.

Potencjalne zastosowania

Opisane rozwiązanie otwiera nowe możliwości dla robotów pracujących w pomieszczeniach, takich jak roboty serwisowe w szpitalach i domach, czy systemy automatyzacji magazynów. W środowiskach, gdzie GPS nie działa, a warunki wizualne są zmienne, zdolność do oceny i reagowania na niezawodność lokalizacji jest kluczowa.

W przyszłości zespół planuje przetestować swój model na prawdziwych robotach i w dynamicznych scenach z udziałem pieszych. Dalszy rozwój tego podejścia może doprowadzić do stworzenia niezawodnej, bezmapowej nawigacji w rzeczywistych środowiskach ludzkich.