Частично проблема заключается во времени, необходимом для получения и интерпретации данных с камеры. Автономному транспортному средству, использующему стандартную камеру для мониторинга окружающей среды, потребуется около пятой секунды для обновления своего местоположения. Этого достаточно для нормальных условий эксплуатации, но недостаточно для обработки непредвиденных ситуаций.
Андреа Ченси, научный сотрудник Лаборатории информационных и систем принятия решений Массачусетского технологического института, считает, что решение может заключаться в дополнении камер новым типом «событийных» (или «нейроморфных») датчиков, способных производить измерения миллион раз в секунду.
На Международной конференции по робототехнике и автоматизации в этом году Ченси и Давиде Скарамуцца из Цюрихского университета представят первый алгоритм оценки состояния — тот, который роботы используют для калибровки своего положения — для обработки данных с событийных датчиков. Робот, работающий с их алгоритмом, сможет обновлять свое местоположение примерно каждую миллисекунду, что позволит ему выполнять более маневренные действия.
«В обычной камере есть массив датчиков, а затем тактовый генератор», — объясняет Ченси. «Если у вас камера со скоростью 30 кадров в секунду, то каждые 33 миллисекунды тактовый генератор фиксирует все значения, а затем значения считываются по порядку». С другой стороны, в случае с датчиком, работающим на основе событий, «каждый пиксель действует как независимый датчик», — говорит Ченси. «Изменение яркости — положительное или отрицательное — превышает пороговое значение для пикселя, который затем говорит: «Я вижу что-то интересное», и передает эту информацию как событие. А затем он ждет, пока не зафиксирует другое изменение».
Ключевое событие:
Когда стандартный алгоритм оценки состояния получает изображение с камеры, установленной на роботе, он сначала идентифицирует «признаки»: градации цвета или тона, необходимые для определения границ между объектами. Затем он выбирает подмножество этих признаков, которые, по его мнению, вряд ли сильно изменятся при изменении ракурса.
Через тридцать миллисекунд, когда камера снова срабатывает, алгоритм выполняет тот же тип анализа и начинает с попытки сопоставить признаки между двумя изображениями. Это процесс проб и ошибок, который может занять от 50 до 250 миллисекунд, в зависимости от того, насколько сильно изменилась сцена. После сопоставления признаков алгоритм может определить по изменениям положения робота, насколько далеко он переместился.
Алгоритм Ченси и Скарамуццы дополняет данные с камеры событиями, регистрируемыми датчиком событий, разработанным их сотрудником Тоби Дельбрюком из Института нейроинформатики в Цюрихе. Первое преимущество нового алгоритма заключается в том, что ему не нужно идентифицировать признаки: каждое событие по своей сути является изменением яркости, которое и определяет признак. А поскольку события регистрируются очень быстро — каждую миллионную долю секунды — задача сопоставления становится намного проще. Кандидатов на роль признаков не так много, потому что робот не мог переместиться очень далеко.
Кроме того, алгоритм не пытается сопоставить все характеристики изображения одновременно. Для каждого случая он генерирует набор гипотез о том, насколько далеко переместился робот, соответствующих нескольким функциям-кандидатам. После накопления достаточного количества событий он просто выбирает гипотезу, которая наиболее часто соответствует изображению.
В экспериментах с роботом, оснащенным камерой и датчиком, работающим на основе событий, его алгоритм показал такую же точность, как и существующие алгоритмы оценки состояния.
По
словам Ченси, одним из источников вдохновения для новой работы послужила серия недавних экспериментов Виджая Кумара из Университета Пенсильвании, показавших, что квадрокоптеры — роботизированные вертолеты с четырьмя комплектами несущих винтов — могут выполнять очень маневренные маневры. Но в этих экспериментах Кумар измерял местоположение роботов с помощью массива внешних камер, которые делали 1000 снимков в секунду. Ченси считает, что разработанный им и Скарамуццей алгоритм позволит квадрокоптеру с бортовыми датчиками воспроизвести результаты Кумара.
Теперь, когда у него и его коллег есть надежный алгоритм оценки состояния, говорит Ченси, следующим шагом является разработка соответствующего алгоритма управления — алгоритма, который принимает решения на основе оценок состояния. Этой теме посвящено текущее сотрудничество с Эмилио Фраццоли, профессором аэронавтики и космонавтики в Массачусетском технологическом институте.
Автор: Ларри Хардести, пресс-служба Массачусетского технологического института
