Современные роботы активно используются в разных сферах: на складах автономные погрузчики ежедневно перемещают тонны грузов, дроны-курьеры доставляют посылки в городах, а марсоходы исследуют далёкие планеты в условиях, где традиционные системы навигации недоступны. Чтобы робот ориентировался в пространстве, инженеры часто создают метрические карты — подробные изображения местности, на которых отмечена каждая деталь. Однако они занимают гигабайты памяти, со временем в них накапливаются ошибки, которые приводят к сбоям.
Альтернативное решение — топологические карты. Вместо детальной геометрии они фиксируют связи между ключевыми местами, представляя их в виде графа. Это позволяет роботу быстрее планировать маршрут, меньше зависеть от ошибок и экономить память. Самое главное здесь — определить точное местоположение робота в графе. Здесь существующие методы, использующие машинное обучение для распознавания мест, могут ошибаться.
Новый метод топологического картографирования PRISM-TopoMap (Place Recognition and Integrated Scan Matching for Topological Mapping), разработанный российскими учёными, сочетает несколько современных технологий обработки данных, решая эту проблему. Сначала изображения с камер и данных лидара анализируются с помощью улучшенного алгоритма распознавания места MSSPlace-G. Это позволяет роботу узнавать места даже в случае, когда освещение и ракурс изменились. Прежде чем добавить новую локацию в карту, робот сопоставляет её с тем, что уже известно, а затем строит схему узлов и связей.
PRISM-TopoMap позволяет роботам строить и обновлять карту прямо во время движения, не зависеть от глобальных координат, а также экономить память и вычислительные ресурсы. Чтобы оценить эффективность PRISM-TopoMap, учёные протестировали его на пяти больших помещениях в компьютерной симуляции и на реальном колёсном роботе, а затем сравнили его с другими метрическими и топологическими методами. Эксперименты в виртуальных 3D-средах и испытания на реальном роботе показали, что новый метод успешно строит точные и связные карты-схемы даже при наличии погрешности измерений датчиков. Он не только обеспечивает полное покрытие пространства, но и работает значительно быстрее, дешевле и эффективнее существующих аналогов.
Решение протестировано в виртуальных средах, а также на реальных устройствах и превосходит существующие аналоги. Результаты проекта представлены в научном журнале IEEE Robotics and Automation Letters. В будущем учёные планируют научить систему понимать тип и назначение помещений: различать кухни, коридоры, склады, а также усовершенствовать алгоритмы прокладки маршрутов по создаваемым схемам. Это сделает навигацию роботов ещё более точной и осмысленной в реальных условиях.