ترسیم یک مسیر امن از طریق یک محیط بسیار نامطمئن — ScienceDaily


یک فضاپیمای خودمختار که در حال کاوش در مناطق دوردست کیهان است از طریق جو یک سیاره فراخورشیدی دورافتاده فرود می آید. وسیله نقلیه و محققانی که آن را برنامه ریزی کرده اند، چیز زیادی در مورد این محیط نمی دانند.

با این همه عدم قطعیت، فضاپیما چگونه می‌تواند مسیری را ترسیم کند که مانع از له شدن آن توسط مانعی در حال حرکت تصادفی یا خارج شدن از مسیر توسط بادهای شدید و ناگهانی شود؟

محققان MIT تکنیکی را ابداع کرده اند که می تواند به فرود ایمن این فضاپیما کمک کند. رویکرد آن‌ها می‌تواند یک وسیله نقلیه خودران را قادر سازد تا در موقعیت‌های بسیار نامشخص، که در آن ابهامات متعددی در مورد شرایط محیطی و اشیایی که وسیله نقلیه می‌تواند با آنها برخورد کند، یک مسیر مطمئن را ترسیم کند.

این تکنیک می تواند به وسیله نقلیه کمک کند مسیری ایمن را در اطراف موانعی که به روش های تصادفی حرکت می کنند و در طول زمان تغییر شکل می دهند پیدا کند. حتی زمانی که نقطه شروع خودرو به طور دقیق مشخص نیست و به دلیل اختلالات محیطی مانند باد، جریان های اقیانوسی یا زمین ناهموار، دقیقاً مشخص نیست که وسیله نقلیه چگونه حرکت می کند، یک مسیر امن را به منطقه مورد نظر ترسیم می کند.

Weiqiao Han، یک دانشجوی فارغ التحصیل در دپارتمان مهندسی برق و علوم کامپیوتر و آزمایشگاه علوم کامپیوتر و هوش مصنوعی، می‌گوید: این اولین تکنیکی است که به مشکل برنامه‌ریزی مسیر با بسیاری از عدم قطعیت‌های همزمان و محدودیت‌های ایمنی پیچیده رسیدگی می‌کند. CSAIL).

ماموریت‌های فضایی روباتیک آینده برای کاوش در جهان‌های دوردست و افراطی که فقط دانش قبلی بسیار نامطمئن در مورد آن‌ها وجود دارد، نیاز به استقلال آگاهانه از خطر دارند. اشکان جسور، یکی از نویسندگان ارشد، دانشمند تحقیقاتی سابق CSAIL که اکنون روی سیستم‌های روباتیک در آزمایشگاه پیشرانه جت ناسا کار می‌کند، اضافه می‌کند.

نویسنده ارشد برایان ویلیامز، استاد هوانوردی و فضانوردی و یکی از اعضای CSAIL، به هان و جسور در این مقاله می‌پیوندد. این تحقیق در کنفرانس بین المللی IEEE در زمینه رباتیک و اتوماسیون ارائه خواهد شد و نامزد دریافت جایزه مقاله برجسته شده است.

اجتناب از فرضیات

از آنجایی که این مشکل برنامه ریزی مسیر بسیار پیچیده است، روش های دیگر برای یافتن مسیر ایمن رو به جلو مفروضاتی را در مورد وسیله نقلیه، موانع و محیط ایجاد می کنند. جاسور می‌گوید این روش‌ها بسیار ساده‌تر از آن هستند که در بیشتر تنظیمات دنیای واقعی اعمال شوند، و بنابراین نمی‌توانند تضمین کنند که مسیرشان در حضور محدودیت‌های ایمنی نامشخص پیچیده است.

هان می افزاید: «این عدم قطعیت ممکن است ناشی از تصادفی بودن طبیعت یا حتی از عدم دقت در سیستم ادراک وسیله نقلیه خودران باشد.

به جای حدس زدن شرایط محیطی و مکان دقیق موانع، الگوریتم آنها دلایلی در مورد احتمال مشاهده شرایط محیطی مختلف و موانع در مکان های مختلف ایجاد کردند. این محاسبات را با استفاده از نقشه یا تصاویری از محیط از سیستم ادراک ربات انجام می دهد.

با استفاده از این رویکرد، الگوریتم های آنها برنامه ریزی مسیر را به عنوان یک مسئله بهینه سازی احتمالی فرموله می کنند. این یک چارچوب برنامه ریزی ریاضی است که به ربات اجازه می دهد تا به اهداف برنامه ریزی مانند به حداکثر رساندن سرعت یا به حداقل رساندن مصرف سوخت دست یابد و در عین حال محدودیت های ایمنی مانند اجتناب از موانع را در نظر بگیرد. جسور می‌گوید الگوریتم‌های احتمالاتی که آن‌ها ایجاد کرده‌اند دلیلی در مورد ریسک است، که احتمال دستیابی به آن محدودیت‌های ایمنی و اهداف برنامه‌ریزی است.

اما از آنجایی که این مشکل شامل مدل‌ها و محدودیت‌های نامشخص متفاوتی است، از مکان و شکل هر مانع گرفته تا مکان شروع و رفتار ربات، این بهینه‌سازی احتمالی برای حل با روش‌های استاندارد بسیار پیچیده است. محققان از آمار مرتبه بالاتر توزیع احتمال عدم قطعیت ها برای تبدیل آن بهینه سازی احتمالی به یک مسئله بهینه سازی قطعی ساده تر و ساده تر استفاده کردند که می تواند به طور موثر با حل کننده های موجود حل شود.

جسور می‌گوید: «چالش ما این بود که چگونه اندازه بهینه‌سازی را کاهش دهیم و محدودیت‌های عملی بیشتری برای کارکرد آن در نظر بگیریم. رفتن از تئوری خوب به کاربرد خوب تلاش زیادی می‌کرد.

حل‌کننده بهینه‌سازی یک مسیر محدود به ریسک ایجاد می‌کند، به این معنی که اگر ربات مسیر را دنبال کند، احتمال برخورد آن با هر مانعی از یک آستانه خاص بیشتر نیست، مانند 1 درصد. از این طریق، آن‌ها مجموعه‌ای از ورودی‌های کنترلی را به دست می‌آورند که می‌تواند وسیله نقلیه را با خیال راحت به منطقه هدف هدایت کند.

دوره های نمودارگیری

آنها این تکنیک را با استفاده از چندین سناریو ناوبری شبیه سازی شده ارزیابی کردند. در یکی از آنها، یک وسیله نقلیه زیرآبی را الگوبرداری کردند که مسیری را از یک موقعیت نامشخص، در اطراف تعدادی از موانع با شکل عجیب، به سمت یک منطقه هدف ترسیم می کرد. حداقل 99 درصد مواقع توانست با خیال راحت به هدف برسد. آنها همچنین از آن برای ترسیم مسیر ایمن برای یک وسیله نقلیه هوایی استفاده کردند که از چندین جسم پرنده سه بعدی که اندازه و موقعیت نامشخصی دارند و می توانند در طول زمان حرکت کنند، اجتناب می کند، در حالی که در حضور بادهای قوی که بر حرکت آن تأثیر می گذارد. با استفاده از سیستم آنها، هواپیما با احتمال زیاد به منطقه هدف خود رسید.

بسته به پیچیدگی محیط، الگوریتم‌ها بین چند ثانیه تا چند دقیقه طول می‌کشند تا یک مسیر امن ایجاد کنند.

جاسور می گوید که محققان اکنون روی فرآیندهای کارآمدتری کار می کنند که زمان اجرا را به میزان قابل توجهی کاهش می دهد، که می تواند به آنها اجازه دهد به سناریوهای برنامه ریزی زمان واقعی نزدیک شوند.

هان همچنین در حال توسعه کنترل‌کننده‌های بازخورد برای اعمال این سیستم است که به خودرو کمک می‌کند به مسیر برنامه‌ریزی‌شده خود نزدیک‌تر شود، حتی اگر گاهی اوقات از مسیر بهینه منحرف شود. او همچنین در حال کار بر روی یک پیاده سازی سخت افزاری است که محققان را قادر می سازد تا تکنیک خود را در یک ربات واقعی نشان دهند.

این تحقیق تا حدی توسط بوئینگ پشتیبانی شد.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]