Русский | English   поискrss RSS-лента

Главная  → История вычислительной техники за рубежом  → 

Навигация мобильных роботов

Мобильные робототехнические системы применяются сегодня в самых разных отраслях. Корпоративные заказчики интересуются многофункциональными промышленными роботами, массовый покупатель активно приобретает интеллектуальные пылесосы и роботы-собачки, службы безопасности и спасения рассчитывают на автономные устройства, способные без устали выполнять задачи слежения и поиска. При этом все подобные устройства в идеале должны уверенно перемещаться в незнакомой и непредсказуемой обстановке реального мира.

Пока основной проблемой всех ныне существующих мобильных аппаратов, перемещающихся самостоятельно, без управления со стороны человека, остается навигация. Для успешной навигации в пространстве бортовая система робота должна уметь строить маршрут, управлять параметрами движения (задавать угол поворота колес и скорость их вращения), правильно интерпретировать сведения об окружающем мире, получаемые от датчиков, и постоянно отслеживать собственные координаты.

Компьютерные системы построения маршрута разработаны достаточно хорошо. Первоначально они создавались для простейших виртуальных сред, и программа, моделирующая действия робота, быстро находила оптимальный путь к цели в двумерных лабиринтах и комнатах, наполненных простыми препятствиями. Когда появились быстрые процессоры, стало возможным формировать траекторию движения уже на сложных трехмерных картах, причем в реальном времени. Интересно, что существенный вклад в это алгоритмическое направление внесли компании-разработчики компьютерных игр, финансирующие соответствующие исследования. В современных играх с каждой из конфликтующих сторон участвует несколько сотен боевых единиц, действующих на случайно сгенерированных трехмерных картах, и каждая единица быстро и достаточно эффективно находит путь к цели. Правда, при этом она, как правило, неявно обладает полной информацией о карте и своем местоположении на ней.

Поэтому в реальных условиях эксплуатации такие алгоритмы малоэффективны. Полноценный робот должен определять собственные координаты и выбирать направление движения только на основании показателей бортовых датчиков, поэтому системы искусственного интеллекта, создаваемые для автономных машин, ориентированы на поддержку непрерывного цикла "опрос датчиков – принятие оперативного решения об изменении маршрута". Таких циклов может быть несколько – один ответственен за следование по основному маршруту, другой – за обход препятствий и т. д. Кроме того, на аппаратном уровне каждый цикл может поддерживаться датчиками разных типов и разных принципов действия, формирующих потоки данных разного объема и интенсивности.

В результате робот начинает теряться в сложной обстановке и на длинных маршрутах, когда надо не просто обходить мелкие препятствия и уклоняться от опасностей на относительно прямом пути, а планировать долгосрочные действия на стратегическом уровне и выполнять ряд вспомогательных задач, которые весьма трудоемки сами по себе. Поэтому современные системы навигации объединяют механизмы как низкоуровневого управления, так и высокоуровневого планирования. Проблемы, непосредственно связанные с движением на текущем коротком отрезке маршрута, решаются путем простого реагирования на особенности внешней среды, а глобальная система следит за соблюдением общего плана, модифицируя его в случае необходимости, и синхронизирует работу всех подчиненных структур управления.

Технические сложности мобильной навигации

При построении системы навигации роботов возникает немало технических сложностей. Рассмотрим их более подробно.

1. Чтобы двигаться к цели, роботу необходимо сформировать достаточно точный образ окружающего его пространства.

Сегодня это достигается преимущественно использованием лазерных дальномеров и ультразвуковых генераторов (сонаров). Однако лазерный луч поможет получить образ среды только в зоне прямой видимости. Кроме того, на пути луча часто возникают мелкие помехи, вносящие погрешность в такой образ. А ультразвуковые датчики характеризуются большим временем отклика (если робот находится на большом и открытом пространстве), порядка десятых долей секунды, что не позволяет роботу перемещаться быстро. Скорость звука в разных условиях также может "плавать", влияя на точность оценки расстояния, в результате в "голове" робота искажается общая картина окружающей среды. Создание трехмерных карт с помощью лазеров в масштабе реального времени еще более затруднительно и, как минимум, требует существенных вычислительных мощностей, которые пока не удается воплотить в виде компактных бортовых плат.

По этим причинам ценность информации, поступающей от бортовых датчиков, невелика. Роботу необходимо перевести ее в формальное и структурированное "словесное" описание мира (задача распознавания), что пока получается плоховато. Наибольший эффект здесь обещают дать системы машинного зрения, но они также еще несовершенны (см. PC Week/RE, № 5/2004, с. 31). Вместе с тем данный недостаток уже преодолен в проектах, где роботы действуют в зданиях и в любой другой предопределенной обстановке.

Перспективной идеей оказалось хранение в памяти машины полной карты местности. Обычно она представляется в геометрическом (очень подробно, но и очень объемно) либо топологическом (компактно, условными обозначениями, но менее подробно) виде. Наилучший результат дают трехмерные карты, однако их хранение и обработка бортовой системой робота затруднены: нужны слишком большие по сегодняшним меркам вычислительные ресурсы. А самое главное, роботу далеко не всегда удается правильно определить свое реальное местонахождение на такой карте.

Ведется множество исследовательских работ по обучению автономных аппаратов методам самостоятельного построения карт местности. Эта область активно финансируется военными, заинтересованными в автоматизации процессов построения карт любой области Земли. Пока эти исследования не имеют серьезных практических воплощений в системах реального времени. Впрочем, препятствие к этому заключается не столько в слабости алгоритмов, сколько в относительно медленных бортовых процессорах.

2. В ходе движения робот должен быстро и точно управлять мотором и положением колес.

Некоторые задачи робототехники в принципе не допускают точного решения (это, например, задача управления крутящим моментом электромотора таким образом, чтобы робот неукоснительно следовал маршруту). В других задачах, связанных с динамикой движения роботов (область теоретической механики), до нахождения ответа еще очень далеко, а поиск приближенных коэффициентов, определяющих параметры движения, требует от бортового устройства постоянного решения систем дифференциальных уравнений. Поэтому сложности здесь как технические, так и теоретические.

3. Робот должен знать свое реальное местонахождение, а оно почти всегда отличается от хранящегося в бортовой системе.

Определение своих координат – фундаментальная задача навигации, ответ на которую интересен не только робототехникам, но и специалистам из множества других областей – прежде всего космической, авиационной и автомобильной.

Схемы навигации автономных устройств

Робототехники выделяют три навигационные схемы:

Считается, что чем крупнее аппарат, тем выше для него важность глобальной навигации и ниже – персональной. У роботов-малышей все наоборот.

Системы навигации классифицируются еще по одному признаку – они могут быть пассивными и активными. Пассивная система навигации подразумевает прием информации о собственных координатах и других характеристиках своего движения от внешних источников, а активная рассчитана на определение местоположения только своими силами. Как правило, все глобальные схемы навигации пассивные, локальные бывают и теми и другими, а персональные схемы – всегда активные.

Пассивные навигационные схемы. Первые модели промышленных роботов с более или менее автономной навигацией, созданные в 60-е годы, передвигались по маршруту, жестко заданному с помощью электрических кабелей, проложенных под полом заводских сооружений. На роботах устанавливались несложные устройства приема электромагнитного излучения кабеля, позволявшие определять направление перемещения. Аппараты могли двигаться по различным маршрутам благодаря тому, что по нескольким кабелям передавался сигнал с разной частотой. Но такая схема была дорогой и негибкой.

С появлением первых систем машинного зрения удалось отказаться от возни с кабелями и перейти к навигации по ярко нарисованным (или флуоресцентным) линиям на полу. Робот с помощью камеры следил за такой линией и самостоятельно двигался вдоль нее. Правда, линии часто стирались, нередко загораживались другими аппаратами и людьми, а на перекрестках, где сходилось несколько маршрутных линий, роботы обычно терялись и останавливались, не в силах понять, куда же двигаться дальше.

Испытывались и другие похожие концепции. По маршруту движения на определенной высоте размещались предметы-маркеры заданной формы, которые робот с помощью простых датчиков "ощупывал", узнавая тем самым свое местонахождение. Но такая схема навигации основана на нежелательном физически активном контакте машины с окружающим миром, что может привести к разрушительным последствиям. Кроме того, роботы не всегда могли правильно идентифицировать маркеры, а расположение последних приходилось выбирать очень точно.

Постепенно "продвинутые" модели маркерной навигации были оснащены более совершенными аналоговыми датчиками, научившимися измерять силу реакции контакта и определять форму маркера, а сегодня в этих целях применяются цифровые матричные датчики, способные получать от маркеров подробные данные об окружающей среде. Основным недостатком такого решения остается необходимость обслуживания маркеров на маршруте.

До 30-х годов прошлого века навигационные задачи решались по старинке – с помощью карты, компаса, секстанта, по солнцу, звездам и т. д. В 50-е годы у летчиков и моряков получила широкое распространение схема навигации по радиомаякам, а когда в 1957-м был запущен в космос советский "Спутник-1", специалисты Массачусетского технологического института быстро придумали простой способ измерения параметров его орбиты по изменению спектра передаваемого спутником сигнала. Эта идея легла в основу современных систем спутниковой навигации. Глобальная спутниковая система GPS, стартовавшая в 1973 г. усилиями ВМС, ВВС и министерства транспорта США, с каждым годом продолжает набирать популярность у разработчиков навигационных систем для автономных роботов. Она относится к категории пассивных глобальных систем.

Хотя на рынке имеется множество коммерчески доступных GPS-приемников, их применение в глобальной навигации пока ограничено задачами соблюдения общего курса. Связано это с очевидным требованием законов робототехники о точности такой навигации – ошибка в определении собственных координат не может превышать размера автономного аппарата (в противном случае возможны столкновения с устройствами такого же или меньшего размеров и другие конфликты со средой). Типичный самоходный коммерческий робот обычно не превышает в длину одного-двух метров и может удаляться от места старта на 10 км, а вот GPS-сигнал дает точность около 100 м, и гражданским организациям в ближайшие годы будут доступны обновленные GPS-приемники с точностью 20-30 м. Поэтому в качестве базовой GPS-навигация применяется преимущественно в автопилотах крупных самолетов или океанских лайнеров. Кроме того, в различных регионах Земли, на местности со сложным рельефом и в зданиях GPS-сигнал может приниматься неустойчиво и с помехами. Таким образом, эта система еще довольно долго не сможет использоваться как основная в задачах глобальной навигации небольших аппаратов.

Иногда возможности GPS-системы расширяются за счет развертывания дополнительных наземных станций – если их координаты известны, то можно на основе GPS-информации определять местоположение объекта с точностью около 5 м. Но это решение подходит только для локальной схемы навигации.

У разработчиков систем пассивной локальной навигации популярна идея использования для ориентирования искусственных сооружений (например, специальных вышек). Она неплохо реализована в коммерческих версиях, и робот, снабженный системой машинного зрения, может довольно точно рассчитать расстояние до вышки по анализу изменения геометрических размеров ее видимого образа. Если же установить искусственные маяки не удается, робот может попытаться самостоятельно выделить статичные элементы окружающей обстановки (высокое дерево, гора) и выполнить привязку к ним своих координат. Недостаток такого подхода заключается в проблемах с нахождением ключевых объектов при изменении условий внешней среды (например, уровня освещенности).

Здесь может помочь использование стереокамер – зная угол зрения каждой из них, можно вычислить расстояние до цели. Но все равно остается актуальной задача распознавания одного и того же объекта каждой камерой и последующая синхронизация их "взглядов", что роботам пока сложно делать в масштабе реального времени.

Другая пассивная концепция локальной навигации – с помощью радиомаяков – заключается в размещении в зоне действий робота источников радиосигналов, которые обрабатываются бортовым микропроцессором. Но так как радиомаяки располагаются в фиксированных точках некоторого маршрута, аппарат теряет возможность обходить препятствия или выбирать альтернативный путь движения. Если же сделать такую систему более гибкой и использовать радарные комплексы для определения координат попавших в зону их действия объектов, то будет теряться время (как правило, десятые доли секунды) на организацию запроса бортовой системы робота к радарной станции и ожидание от последней ответа.

Существуют решения на основе так называемых непрерывных радиометок – наземная аппаратура генерирует на большой площади сигнал с параметрами, меняющимися в зависимости от удаления от источника. Но они дороги и характеризуются невысокой надежностью в холмистой или городской местности, где сигнал начинает пропадать. Так, коммерческая система Mini-Ranger Falcon компании Motorola стоит 100 тыс. долл. (из расчета на 20 подключений) и определяет координаты с точностью 2 м на удалении 75 км от генератора. Схожие решения фирмы Harris в минимальной комплектации обойдутся в 30 тыс. долл.

Активные навигационные схемы. Самые известные представители этой группы – инерционные навигационные системы (ИНС). Впервые они были задействованы в немецких ракетах V2, а на рынке появились в 60-х годах. Механические гироскопы позволяют измерять усилие (момент внешней силы), прикладываемое к телу, на котором они размещены, и на этой основе определять положение тела относительно позиции, с которой началось движение, и его скорость. Механические акселерометры схожим способом умеют определять собственное ускорение.

В 70-е годы были созданы относительно небольшие по размерам ИНС, и по сей день применяемые в самолетах, кораблях, устройствах наведения бомб, ракет и торпед. Главный недостаток механических ИНС – накопление ошибок измерения за время активной работы, т. е. чем дольше в движении находится объект, оснащенный ИНС, тем больше будет погрешность в определении координат. Кроме того, ИНС малоэффективны в случаях, когда скорость объекта часто и резко меняется. Они также плохо подходят для задач навигации роботов среднего и малого размеров. Навигационные версии гироскопов должны устанавливаться на стабильной платформе, к тому же цена их высока. Коммерческая авиационная ИНС среднего качества стоимостью в 50 тыс. долл. накапливает за час работы погрешность измерения 2000 м. Погрешность более дорогих версий (200 тыс. долл.) составляет около 0,1% от всего пройденного пути.

Простейший вариант хорошо известного всем автолюбителям активного навигационного устройства – одометр. Он периодически измеряет скорость вращения колеса и, так как диаметр последнего известен, определяет пройденный путь. Но колеса любого автомобиля не идеально ровные, из-за чего реальная длина покрышки всегда будет отличаться от рассчитанной, к тому же они могут прокручиваться вхолостую или проскальзывать на льду, а сам одометр под воздействием внешних и внутренних помех постоянно накапливает ошибки измерения. Однако несмотря на все эти недостатки данная технология применяется очень активно. Ее распространение связано прежде всего с инвестициями автопроизводителей. Так, одометры нового поколения будут содержать микроволновые радары и более точно измерять реально преодоленное расстояние. Кроме того, одометры – это иногда единственно возможное навигационное решение (например, при нахождении робота на другой планете).

Развивается рынок бесконтактных систем локальной навигации, использующих генератор радио- или каких-либо других (чаще всего ультразвуковых и инфракрасных) сигналов, а также лазерных дальномеров. Однако эффективность и точность подобных устройств в значительной степени зависит от характеристик среды.

С появлением первых микропроцессоров в 80-е годы началось создание довольно дешевых бортовых систем машинного зрения, позволяющих решать задачи навигации. Сегодня на них возлагаются большие надежды.

Но в ближайшие годы активные системы, рассчитанные на навигацию в реальных природных условиях, вряд ли преодолеют порог точности в 5 м.

Гибридные навигационные схемы. Недостаток вышеперечисленных способов навигации связан с отсутствием в реализующих их устройствах интеллектуальной составляющей. Независимо от того, пытается ли робот определить свое местонахождение и маршрут движения самостоятельно или на основе сигналов от внешнего источника, он делает это, как животное (птица, движимая инстинктом, знает, куда ей лететь, но не понимает, почему ей следует лететь именно туда). Гибридная бортовая система управления роботом использует навигационные средства всех видов, но занимается прежде всего оценкой окружающей обстановки, анализом выполняемого задания и принятием решений. Аппарат пытается построить собственный образ среды, в которой ему приходится действовать, после чего формирует маршрут и движется по нему, постоянно сопоставляя свою карту пространства с данными, полученными от устройств навигации.

Существующие интеллектуальные модели умеют строить двумерные карты области, в которой движутся. Для этого, как правило, применяются лазерные дальномеры в комбинации с ультразвуковыми генераторами и инерционными системами. Но с помощью ультразвука удается получить лишь весьма нечеткие образы, к тому же скорость звука варьируется, зависит от множества факторов и невысока (если пространство открытое, то ответного эха можно ждать несколько секунд). А из-за ограниченности плоской модели мира роботы нередко попадают в логические тупики, и в условиях промышленной эксплуатации на восстановление реальной картины в "головах" машин и возвращение таких "блудных сынов" в строй уходят часы, а то и дни.

Значительно более перспективно формирование точной геометрической модели окружающего пространства. Но для этого надо иметь максимально детальную информацию об окружающей среде, а предоставить ее могут устройства визуального наблюдения (машинного зрения) высокого разрешения и хорошие системы распознавания объектов. Такие системы пока либо очень дороги, либо существуют только в экспериментальных версиях, а базирующиеся на них роботы уверенно двигаются только в простой обстановке. Во многих случаях карта может быть подготовлена заранее, но тогда возникает проблема определения собственного местоположения на ней, что весьма сложно в случаях, когда отсутствуют различимые особенности местности. Неплох вариант, когда робот самостоятельно строит карту, а затем, сопоставляя ее с исходной фиксированной версией, уточняет и корректирует. Но задача такого сопоставления для компьютера также очень трудоемка. Ведь трехмерные цифровые карты местности требуют для хранения в тысячи раз больше памяти, нежели двумерные. Соответственно и для обработки таких объемов данных нужны приличные вычислительные ресурсы. В дополнение к задаче определения координат устройству необходимо уметь строить план движения по такой карте. Существующие алгоритмы позволяют делать это достаточно точно, однако они пока не учитывают скорость движения аппарата по маршруту – а она может внести серьезные коррективы в теоретический план. Тем не менее некоторые роботы способны за секунду создавать вполне точный трехмерный образ окружающего пространства – при нахождении внутри зданий типовых конструкций с жестко предопределенной геометрией.

Следующие модели будут уже в обязательном порядке снабжаться функциями построения карты и ее сопоставления с исходным готовым вариантом. Ведь если расположение устройства на ней определено, навигация становится совсем простой и не требует расхода временных ресурсов. А когда робот попадает в совершенно незнакомую обстановку, он может попытаться понять, где находится, обратившись к базе цифровых карт. Алгоритмы классификации, иерархической организации и компактного хранения карт готовы, остается только дождаться очередного удешевления вычислительных ресурсов.

Очень заманчива новая концепция абстрактного описания окружающего мира. В ее рамках робот не использует предопределенные модели пространства и не пытается придавать смысл различным элементам местности (не занимается распознаванием привычных человеку объектов – "холм" или "яма"). Он исследует мир, не переводя его в формальное, смысловое или топографическое представление, выделяя в ходе исследования характерные признаки наиболее выделяющихся элементов внешней среды для идентификации своего местоположения. Но для успеха такого подхода придется серьезно улучшить ныне действующие системы автоматического обучения и классификации. В то же время эта концепция оказалась работоспособной в экспериментах с роботами, путешествующими внутри зданий, где число внешних объектов ограниченно (стены, коридоры, комнаты, столы, стулья, двери и ступени). Робот Scout Стокгольмского Королевского института технологий, оборудованный 16 сонарами и современным процессором, настолько освоился в университетских коридорах, что уверенно "носился" по ним с невиданной для таких устройств скоростью 1 м/с. На международной конференции по робототехнике IROS (http://www.icra-iros.com/iros2003/), прошедшей в октябре 2003 г. в Лас-Вегасе, эта система получила высшую награду, а всего оценивалось 500 проектов.

Интересна идея динамической модификации среды, когда робот, определив точную координату некоторой точки, помечает ее, например, радиомаяком. Для этого ему приходится прибегать к услугам службы персональной навигации – позиционирования частей своего "тела" друг относительно друга и ближайших предметов. Оказывается, система обратной связи "рука – глаз", в которой в качестве глаза используется группа подвижных дешевых видеокамер с несколькими степенями свободы, способна определять местоположение руки-манипулятора и позиционировать ее с точностью до миллиметра. Но полноценная коммерческая версия такого решения пока сложна и дорога.

Продолжается исследование биологических систем навигации. Птицы и насекомые прекрасно ориентируются в пространстве и способны преодолевать большие расстояния, не отклоняясь от курса. Как они это делают, пока остается загадкой. Возможно, животные каким-то образом ощущают изменение магнитного поля Земли, уровня гравитации, температуры, концентрации различных примесей в воздухе, улавливают тончайшие оттенки запахов, звуков, воспринимают свет в широком диапазоне спектра и т. д. При этом "логическая часть" живых организмов, обрабатывающая подобные сигналы, несложна – например, мозг пчелы состоит всего из 800 тыс. нейронов. Остается только понять, как устроены столь чувствительные биологические датчики.

Компания Centeye (http://www.centeye.com) недавно продемонстрировала небольшой автономный самолет, оснащенный системой машинного зрения собственного производства. Специализированный чип, реализующий алгоритмы нейронных сетей, выполняет промежуточную интеллектуальную обработку мощного потока "сырых" данных от видеокамер. Благодаря этому бортовая система получает уже готовые распознанные образы, передача которых требует пропускной способности всего в несколько килобайтов в секунду. В ближайшее время специалисты компании обещают научить самолет летать по узким и извилистым тоннелям. Через 15 лет, полагают они, на базе подобных аппаратных нейрорешений будет построено множество автономных механизмов.

Пока же биотехнологи больше озабочены обучением автономных устройств пониманию среды с помощью более простых, базовых механизмов человеческого восприятия – слуха и осязания. Распознавание речи и управляющих сигналов – перспективные направления в задачах локальной и персональной навигации, а повышение качества обратной связи в цикле "глаз – рука – касание" позволит повысить эффективность активного взаимодействия робота со средой, его возможности познания окружающего мира и соответственно понимания своего места в этом мире.

Ведутся первые исследования по организации целенаправленного поведения коллективов роботов. Аппараты, действующие совместно в некоторой области, могут уточнять друг у друга свои координаты, сравнивать взаимное положение и таким образом быстро передвигаться. Достижений в этой области немного, и все они пока ограничены исследованиями и экспериментами.

Ситуация на рынке

В явном виде рынок специализированных систем для навигации роботов практически отсутствует. Если он и существует, то характеризуется совсем небольшим оборотом и не попадает в исследовательские отчеты маркетинговых агентств. В конкретных проектах инженеры применяют типовые коммерческие навигационные решения.

Для нужд глобальной навигации роботов обычно задействуются приемники GPS (объем услуг этой спутниковой системы только в 2003 г. составил 16 млрд. долл.). В ближайшие годы у GPS появятся конкуренты, прежде всего европейский проект Galileo (его авторы планируют достичь оборота 1,8 млрд. долл. к 2010 г. и 3,6 млрд. – к 2020-му). Правда, пока развитие Galileo находится под вопросом: США оказывают на Евросоюз сильное давление, мотивируя свои претензии к конкуренту возможностью пересечения частотных зон.

Практически все прикладные системы локальной автономной навигации также основаны на коммерческих решениях, которые создаются для нужд автопроизводителей (одометры) и авиаконструкторов (автопилоты). Рынок систем автомобильной навигации (САН) вырос с 1,7 млрд. долл. в 2001 г. до 4,7 млрд. в 2003-м. Примерно 1% от данной суммы приходится на специализированные навигационные чипы. При этом 60% продаж на рынке САН сосредоточено в Японии. В 2002 г. 50% всех новых автомобилей (2,5 млн. шт.) в Стране восходящего солнца выпускалось с предустановленной системой навигации, а всего такими системами оборудовано 10 млн. японских машин – треть парка легковых автомобилей в этой стране. Бытовые навигационные решения Японии можно считать мировым технологическим стандартом.

На США приходится 30% рынка САН. В 2000 г. там насчитывалось 2,1 млн. машин, оборудованных этими системами (около 100 моделей), а к 2006-му их число должно возрасти до 7,8 млн. Цена такой системы составляет 1-2 тыс. долл., но массовый покупатель пока готов платить за нее не более 500 долл. Европа занимает только 10%-ную долю рынка, но в 2003 г. интерес к нему вырос на 37%.

Типичная САН хранит обширные цифровые карты, автоматически загружая ту их часть, что соответствует местонахождению машины, показывает текущее ее положение вместе с множеством дополнительных подсказок, позволяет прокладывать и запоминать различные маршруты, отслеживать соответствие координат автомобиля заданным на карте границам движения. Более совершенные системы "научились", получая данные из полицейских БД, информировать водителей о загруженности дорожной сети и предлагать оптимальные пути объезда пробок.

В последние годы японские разработчики интенсивно дополняют свои САН детализированными цифровыми картами (это стало возможно благодаря использованию емких DVD-носителей), мультимедийными системами, информирующими о различных достопримечательностях на трассе, средствами голосового управления и системами машинного зрения. Построенные на этой основе роботы-водители уже довольно уверенно держат курс в плотном потоке машин на шоссе, правда, пока не умеют правильно парковаться.

Очень большой и перспективный рынок, развитие которого полезно и создателям автономных роботов, – это системы дистанционного отслеживания грузов (его объем в 2003 г. составил 3 млрд. долл.). Некоторые японские заводы развернули комплексы мобильных промышленных роботов, базой для которых служат готовые системы считывания сигналов RFID-радиометок и автоматического определения их местоположения. Аппараты, снабженные такими метками, получают информацию о своих координатах от внешнего комплекса слежения.

Рынок автопилотов в 2003 г. составил 710 млн. долл.

В сфере автоматической навигации ведется очень много интенсивных и хорошо финансируемых исследований, а разработчики ориентируются на самый высокий уровень качества и функциональную полноту.

Перспективы автоматической навигации

К 2010 г. большинство навигационных систем, применяемых в авиации, будут спутниковыми. Бортовой компьютер самолета сможет самостоятельно, по каналам цифровой связи, получать нужные сведения о своих координатах и при необходимости корректировать маршрут. Повысится устойчивость GPS-сигнала, он дополнится новыми данными, которые упростят определение точного местоположения и контроль корректности GPS-информации. Американские военные обещают, что новая версия GPS будет доступна большому числу целевых групп потребителей. Правда, в ходе развития этого комплекса придется модернизировать множество существующих бортовых систем.

Глобальные навигационные службы смогут также предоставлять доступ к единой метеорологической БД и к трехмерному ГИС-образу планеты. Наземные радарные системы постепенно отойдут в прошлое. А GPS-приемники заметно подешевеют и будут встраиваться в мобильные телефоны.

Вместе с тем появятся новые аналоги GPS (прежде всего европейский и, возможно, азиатский; не исключено дальнейшее совершенствование отечественной системы ГЛОНАСС) и усилятся проблемы с несовместимостью принимающей аппаратуры. Военным наверняка удастся задействовать глобальные спутниковые системы оптического и радарного слежения за движущимися объектами на поверхности Земли, которые намечено развернуть в следующем десятилетии. Поэтому будущие поколения бортовых средств навигации будут характеризоваться функциональным разнообразием и использовать множество различных источников данных и независимых технологий для определения координат, что, впрочем, только повысит итоговое качество навигации.

По мере удешевления GPS-приемников возрастет число интегрированных систем, сочетающих возможности GPS с инерционными навигационными решениями (последние активно применяются сегодня, в частности, в "умных" бомбах и торпедах). Лазерные и оптические гироскопы будут доступны по ценам 1-5 тыс. долл., а стоимость вычислительных ресурсов для проведения необходимых расчетов постепенно снизится по мере удешевления встраиваемых микропроцессоров.

В последние годы наметилась тенденция к миниатюризации инерционных систем. Они создаются на базе MEMS- (микроэлектромеханических) технологий. Так, десять из двенадцати ведущих поставщиков инерционных систем навигации создают собственные MEMS-решения, а из существующих на рынке половина уже имеет приставку MEMS.

В начале 2004 г. стало известно о проекте крупнейшей австралийской научной организации CSIRO по созданию автономного вертолета Mantis из магниевого сплава длиной полтора метра и массой 80 г, способного самостоятельно балансировать в воздухе и придерживаться заданного маршрута с использованием системы машинного зрения. До сих пор считалось крайне сложным обучить столь легкое устройство самостоятельным маневрам, но после двух лет испытаний такой аппарат удалось сделать с помощью инерционной MEMS-системы, построенной на принципе действия внутреннего уха человека.

Интерес к MEMS-навигации очень велик: на ее базе планируется создать, например, интеллектуальную одежду и специализированное обмундирование, чтобы работающие в опасных условиях люди могли ориентироваться в незнакомой обстановке. MEMS-решения хороши и тем, что в их основу заложены механические элементы, действие которых в отличие от электронных систем невозможно дистанционно подавить. В ближайшие годы цена компактного MEMS-гироскопа составит около 10 долл. В 2002 г. таких устройств было продано на сумму 279 млн. долл., а к 2007-му этот рынок вырастет до 396 млн. долл.

Прогресс локальной навигации роботов во многом будет определяться развитием систем машинного зрения (см. PC Week/RE, № 5/2004, c. 31). Но пока не появятся высокоэффективные решения, сохранится интерес к технологиям локальной навигации по сигналам внешних маяков. Эти маяки обретут интеллектуальные свойства и состыкуются с GPS-службой (первые эксперименты показали высокую результативность такого подхода).

Хорошо известные на рынке роботы и относительно дешевые наборы для их создания, предлагаемые фирмой Evolution Robotics (http://www.evolution.com), основываются на коммерчески доступных одометрах и системах машинного зрения. Решения, использующие более точные лазерные дальномеры, пока дороги (около 5 тыс. долл.).

В локальной навигации будут задействованы и так называемые дифференциальные методы GPS, расширяющие стандартный GPS-сервис с помощью дополнительного оборудования. Как уже говорилось, при развертывании наземных станций, местоположение которых точно известно, можно значительно повысить качество определения координат объектов. Такая станция сегодня обходится в 10-20 тыс. долл. Ее недостаток состоит в том, что она обслуживает навигационные нужды лишь в ограниченной области с известными координатами. В скором времени ожидается снижение цены типовой станции до 5 тыс. долл.

С помощью GPS можно определять координаты косвенными методами, не анализируя данные, доставленные GPS-сигналом, а просто интерпретируя изменение его фазы. В результате точность определения координат повышается до нескольких сантиметров. Однако данный метод поможет выявить только относительное изменение в положении такого GPS-приемника, а не его абсолютные координаты (что, впрочем, вполне удовлетворит создателей систем локальной навигации).

Технологии машинного зрения (включая "зрение" с помощью сонаров и лазеров), обработки сигналов глобальных навигационных систем типа GPS и ориентации по маякам считаются сегодня ключевыми в задачах навигации роботов.

Пакет для разработчиков

Желающим попрактиковаться в построении собственных систем навигации роботов можно порекомендовать Linux-набор разработчика Carmen (Carnegie Mellon Robot Navigation Toolkit, http://www-2.cs.cmu.edu/~carmen/index.html), созданный в университете Карнеги – Меллона и свободно доступный в исходных текстах. Предоставляемые в нем инструменты позволяют решать такие задачи, как планирование маршрута, обход препятствий, распознавание людей, формирование карты, определение местонахождения (на базе вероятностного алгоритма локализации Маркова), управление бортовыми датчиками (лазерными сканерами, GPS-приемниками и сонарами) и др. Carmen можно использовать с моделями роботов ATRV, ATRVjr и B21R фирмы iRobot; Pioneer I / II фирмы ActivMedia, а также Technologies Scout и XR4000 фирмы Nomadic.

Статья опубликована в PC Week/RE № 9 от 16.04.2004 г., стр. 52; № 10 от 23.04.2004 г., стр. 53; № 11 от 30.04.2004 г., стр. 45.

Проект Эдуарда Пройдакова
© Совет Виртуального компьютерного музея, 1997 — 2017