Роботи су постигли импресивне нивое поузданости у структурираним окружењима као што су фабрике и складишта, где су распореди предвидљиви, а задаци прате унапред дефинисане токове посла. Стварни свет, међутим, ретко нуди тај ниво стабилности. Окружење као што су куће, зоне катастрофе, градилишта и вањске логистичке операције су неструктурисане, динамичне и стално се мењају, што представља изазов за навигацију.
Традиционални роботски навигациони скупови се у великој мери ослањају на унапред-мапирана окружења, детерминистичке контролне цевоводе и логику одлучивања засновану на правилима{1}}. Технике као што су симултана локализација и мапирање (СЛАМ) омогућавају роботима да праве мапе и процењују позицију, али већина система и даље претпоставља релативно стабилно окружење.
Ове претпоставке често не успевају када роботи наиђу на покретне препреке, непотпуне мапе или непознат терен, што ограничава многе примене на строго контролисана подешавања.
Агентска АИ уводи нови приступ. Омогућавајући роботима да перципирају контекст, размишљају о циљевима и динамички бирају акције, агентски оквири омогућавају прилагодљивију навигацију. Хајде да испитамо како ове архитектуре омогућавају роботску навигацију опште{2}}намене и интегришу се са постојећим роботским технолошким групама.
Од реактивних робота до агентске навигације
Роботска навигација је значајно еволуирала у последњих неколико деценија. Рани системи су се ослањали на реактивне контролне архитектуре дизајниране да реагују на улазе сензора у реалном времену. Иако су ефикасни за специфичне задатке, ови приступи често нису имали способност размишљања о циљевима или прилагођавања непознатим ситуацијама.
Како се примена роботике шири изван контролисаних окружења, постале су неопходне флексибилније{0}}могућности доношења одлука.
Традиционална роботска архитектура
Већина модерних робота и даље прати структурирани навигациони цевовод:
Перцепција → Локализација → Мапирање → Планирање → Контрола
У овој архитектури, системи перцепције тумаче податке сензора, локализација процењује позицију робота, мапирање конструише репрезентацију животне средине, планирање одређује путању, а контрола извршава команде покрета. Систем је модуларан и поуздан, али и крут.
Ранији приступи, као што су архитектуре субсумпције, наглашавали су реактивно понашање, дајући приоритет одговорима -вођеним сензорима уместо резоновања вишег- нивоа.
Ограничења традиционалних навигационих стекова
Иако ефикасни у стабилним окружењима, традиционални цевовод се боре са непознатим или брзо променљивим условима. Ови системи често претпостављају претходно познавање околине и ограничену варијабилност у препрекама или задацима. Као резултат тога, роботи се могу понашати непредвидиво када наиђу на непотпуне мапе, нове објекте или неочекиване промене.
Каква се агентска вештачка интелигенција мења
Агентска вештачка интелигенција уводи планирање вођено{0}}циљем, итеративне петље резоновања, контекстуалну меморију и динамичку употребу алата у читавој роботској групи. Уместо да извршавају фиксни низ модула, агентски системи могу оркестрирати компоненте перцепције, планирања и контроле на основу тренутног циља.
Уместо да се ослањају на статичке навигационе цевоводе, роботи почињу да третирају своје способности као алате који се могу динамички позивати. Разумевање како ове могућности функционишу заједно захтева испитивање основних компоненти које покрећу роботску навигацију помоћу агента.
Основне компоненте агентске роботске навигације
Агентска роботска навигација се заснива на традиционалном роботском стеку, али додаје слој оркестрације који омогућава роботима да размишљају о циљевима и динамички координирају различите подсистеме. У пракси, ови системи функционишу на четири кључна техничка слоја.
1. Перцепција и спајање сензора
Роботи прво требају поуздано разумевање свог окружења. Модерне платформе комбинују више модалитета сензора, укључујући:
Лидар за прецизно мерење удаљености
РГБ камере за визуелну перцепцију
Сензори дубине за просторну свест
Инерцијалне мерне јединице (ИМУ) за праћење кретања
Радар за робусно откривање у условима ниске{0}}видљивости
Алгоритми фузије сензора комбинују ове сигнале да би произвели конзистентан приказ окружења. Агентски оквири проширују ову могућност дозвољавајући модулима перцепције да се динамички позивају у зависности од контекста задатка, што помаже роботима да тумаче сложена или брзо променљива окружења.
2. Истовремена локализација и мапирање
СЛАМ остаје темељна способност за аутономне мобилне роботе (АМР). Омогућава им да направе мапе раније непознатих окружења и процене свој положај унутар тих мапа.
Недавна истраживања комбинују СЛАМ са машинским учењем и семантичком перцепцијом тако да роботи могу да препознају објекте и карактеристике животне средине током мапирања. Агентски системи побољшавају овај процес динамичким одабиром стратегија мапирања и континуираним ажурирањем мапа током истраживања.
3. Планирање и резоновање
Традиционални навигациони системи се ослањају на алгоритме као што су А* или Дијкстра за планирање путање. Агентске архитектуре уводе могућности закључивања вишег-нивоа као што су планирање у више- корака, декомпозиција циљева и стратегије адаптивног истраживања.
Неки нови оквири интегришу визионе{0}}језичке моделе (ВЛМ-ове) са агентима за планирање да би размишљали о задацима навигације користећи семантичке информације из окружења.
4. Контрола покрета и извршење
Када се одреди рута, роботи извршавају кретање користећи планере кретања, оптимизаторе путање и алгоритаме{0}}за избегавање судара. Ови системи обрађују-повратне информације сензора у реалном времену да би прилагодили кретање и спречили сударе.
Заједно, ове компоненте чине оперативну кичму аутономне навигације. Кључна разлика у агентским системима лежи у томе како су ове способности координиране. Разумевање да оркестрација захтева испитивање како се агентска вештачка интелигенција интегрише са постојећим роботским софтверским пакетима.
Како се агентска вештачка интелигенција може интегрисати са постојећим роботима
Агентска АИ не замењује традиционалну роботску инфраструктуру. Уместо тога, он делује као слој оркестрације који координира постојеће модуле унутар роботског система. Овај приступ омогућава програмерима да побољшају аутономију без редизајнирања читавог софтверског пакета.
Интеграција са РОС-ом и средњим софтвером за роботику
Већина модерних робота се ослања на међуверске оквире као што је оперативни систем робота или РОС2 за управљање комуникацијом између модула перцепције, планирања и контроле. Агентски оквири обично раде изнад ових система као когнитивни контролни слојеви или планери задатака.
Ови слојеви агената ступају у интеракцију са постојећом роботском инфраструктуром преко стандардних интерфејса и АПИ-ја који се користе у платформама као што су РОС и РОС2, НВИДИА Исаац и симулационим окружењима као што су Газебо или Исаац Сим.
У овом подешавању, агент прати стање система, процењује циљеве и одлучује који подсистем треба да изврши следећу акцију.
Архитектура за навигацију заснована на{0}} алатима
Агентски системи третирају сваку роботичку способност као алат који се може позвати када је то потребно. Уобичајени алати у групи за навигацију укључују:
СЛАМ и модули за мапирање
Системи детекције и перцепције објеката
Алгоритми{0}}планирања путање
Контролори покрета
Услуге упита за мапе
Уместо да покреће ове модуле у фиксној секвенци, агент их бира динамички на основу услова околине и циљева задатка.
Креирање динамичког тока посла
Традиционални канали за навигацију прате фиксни ток: перцепцију, мапирање, планирање и извршење покрета. Агентске архитектуре омогућавају роботима да динамички конструишу токове посла.
Робот може посматрати своју околину, проценити свој циљ, испитивати мапу, генерисати путање кандидата и изабрати најсигурнију руту пре него што изврши кретање. Ова динамичка координација побољшава робусност и прилагодљивост када се роботи сусрећу са непознатим или променљивим окружењем.
Ове могућности постају посебно важне када роботи раде у окружењима у којима недостају поуздане мапе или садрже непредвидиве препреке.
Омогућавање навигације у немапираним и динамичким окружењима
Аутономна навигација постаје знатно изазовнија када роботи раде у окружењима која садрже покретне препреке, непознате распореде или некомплетне мапе.
Традиционални системи за навигацију обично претпостављају стабилно окружење и поуздане податке мапе, што ограничава њихову ефикасност у стварним{0}}окружењима. Агентска АИ помаже у решавању ових ограничења омогућавајући роботима да размишљају о свом окружењу и прилагођавају своје понашање како се услови мењају.