A robotok képesek megkülönböztetni a fontos, valós idejű akadályokat a felesleges, elavult információktól.
Egy új „fizikai mesterséges intelligencia” technológia segíthet javítani az autonóm mobil robotok navigációját olyan környezetben, mint a logisztikai központok és az intelligens gyárak. A dél-koreai Daegu Gyeongbuk Institute of Science and Technology (DGIST) által kifejlesztett technológia a „társadalmi kérdések terjedését és elfelejtését” modellezi. A robotok ezzel az emberhez hasonló felejtési módszerrel képesek megkülönböztetni a fontos, valós idejű akadályokat a felesleges, elavult információktól.
„Utánoztuk azt a társadalmi elvet, hogy a felesleges információkat elfelejtjük, és csak a fontos információkat tartjuk meg a hatékony mozgás érdekében. Ez a tanulmány azért jelentős, mert megmutatja, hogyan fejlődik a fizikai mesterséges intelligencia, hogy egyre inkább hasonlítson az emberi viselkedésre” – mondta Kyung-Joon Park professzor, a tanulmány szerzője a szeptember 29-i sajtóközleményben.
Az autonóm mobil robotok (AMR-ek) elengedhetetlenek az automatizáláshoz számos területen, többek között a logisztikában és a gyártásban. Azonban a valós körülmények között a robotok mozgását gyakran váratlan akadályok gátolják.
A robotokat általában arra tanítják, hogy akadályok, például targoncák vagy rosszul elhelyezett rakományok esetén módosítsák útvonalukat. Azonban a gépek nem képesek felejteni, ezért az akadály eltűnése után is továbbra is felesleges kitérőket tesznek. Ez csökkenti a termelékenységet olyan nagy kockázatú környezetekben, mint a logisztikai központok és az intelligens gyárak. A hatékony útvonaltervezés kihívásának leküzdése érdekében Kyung-Joon Park professzor csapata egy emberi társadalmi jelenségen alapuló kollektív intelligencia algoritmust valósított meg. Az algoritmus matematikailag modellezi, hogyan terjednek gyorsan bizonyos információk, és hogyan felejtődnek el fokozatosan. Ez a modellezés lehetővé teszi az autonóm robotok számára, hogy azonnal csak a legfontosabb információkat osszák meg, például egy hirtelen akadály helyét. Ezzel egyidejűleg természetesen lehetővé teszi a robotok számára, hogy elfelejtsék a felesleges, elavult részleteket, például egy már eltávolított akadályt.
A kutatók szerint a technika optimalizálhatja a gépek „kooperatív navigációs” képességeit. Az útvonaloptimalizálás és a késések csökkentése közvetlen megtakarításokat is eredményezhet a vállalatok számára a működési költségek, az energiafogyasztás és a berendezések karbantartása terén.
A csapat a Gazebo szimulátort használta a modell tesztelésére, amely egy logisztikai központot modellezett. Az eredmények egyértelmű teljesítménynövekedést mutattak a hagyományos ROS 2 navigációhoz (Robot Operating System 2) képest. Érdekes módon az átlagos vezetési idő akár 30,1%-kal csökkent, a feladatátviteli sebesség pedig akár 18,0%-kal nőtt. Ez a technológia közvetlenül növelheti a kapacitást és a bevételt olyan nagy volumenű műveleteknél, mint a logisztika és a gyártás. A kutatók megjegyezték, hogy ez az eredmény „bizonyítja, hogy a robotok már nem csupán akadályokat elkerülő gépek, hanem olyan fizikai mesterséges intelligencia rendszerekké fejlődnek, amelyek képesek megérteni a társadalmi elveket és önállóan működni”.
A technológia másik fontos erőssége a magas kompatibilitás és az egyszerű alkalmazhatóság. Egyedül a 2D LiDAR szenzor szükséges, ezáltal csökkenthető a hardverköltség. Ráadásul készen használható pluginként is elérhető a ROS 2 navigációs stackhez. Ez a kialakítás berendezéscsere nélkül közvetlenül integrálható az autonóm navigációs rendszerekbe.
Az előnye, hogy gyorsan megvalósítható különböző ipari környezetekben, beleértve a logisztikai robotokat, az autonóm járműveket és a drónrajokat. Továbbá a technológia várhatóan jelentős szerepet fog játszani szélesebb körű alkalmazásokban, mint például az intelligens városi forgalomirányítás és a nagyszabású kutatási és mentési műveletek.