कैसे बोस्टन डायनेमिक्स ने बिगडॉग स्टैंडअलोन बनाया

पिछले हफ्ते, हमें पता चला कि दिग्गज बिगडॉग गैट समन्वय एल्गोरिदम कैसे काम करता है। रोबोट अभी तक स्वायत्त नहीं था और केवल ऑपरेटर के नियंत्रण में इलाके को पार कर सकता था।

अधिकांश पाठकों ने पिछली बार एक नए अनुवाद के विचार का समर्थन किया - बिगडॉग ने कैसे सीखा कि स्वतंत्र रूप से सही बिंदु पर जाने और अंतरिक्ष में नेविगेट करने का तरीका। खैर, वास्तव में, यहाँ वह है।

बिगडॉग नेविगेशन सिस्टम प्लानर लेजर स्कैनिंग, स्टीरियो विजन और प्रोप्रियोसेप्टिव धारणा के संयोजन का उपयोग करता है। इसकी मदद से, आसपास की दुनिया में रोबोट का स्थान निर्धारित किया जाता है। वह बाधाओं का पता लगाती है और उन्हें दुनिया के दो-आयामी मॉडल में रखती है। फिर वह पथ की योजना बनाती है और चुने हुए मार्ग का पालन करने के लिए रोबोट को नियंत्रित करती है। पथ योजनाकार क्लासिक ए * खोज एल्गोरिदम का एक रूपांतर है। स्मूथिंग एल्गोरिदम परिणामों को संसाधित करता है और उन्हें पथ-निम्नलिखित एल्गोरिथ्म में भेजता है। वह बिगडॉग के लिए स्टीयरिंग कमांड की गणना करता है।

वर्णित प्रणाली का परीक्षण वन क्षेत्र में कई वृक्षों, शिलाखंडों, अधरों से किया गया था। समतल प्रदेशों के अलावा, इसमें ढलान (11 डिग्री तक के कोण) भी थे। कुल 26 परीक्षण किए गए, जिनमें से 88% सफल रहे। रोबोट "देखा" 130 मीटर के दायरे में इलाका है जब एक निर्धारित गति से आगे बढ़ता है और 1.1 किमी से अधिक दूर निकल जाता है।

उपकरण

1) प्रोप्रियोसेप्टिव सेंसर

बिगडॉग गैट और स्वायत्त नेविगेशन को नियंत्रित करने के लिए उपयोग किया जाता है। रोबोट की स्वतंत्रता के 16 सक्रिय और 4 निष्क्रिय डिग्री में से प्रत्येक एक सेंसर से सुसज्जित है। वे वर्तमान स्थिति और लोड पर डेटा प्रदान करते हैं। यह जानकारी जमीन के साथ संपर्क की स्थिति, शरीर की ऊंचाई, शरीर की गति का मूल्यांकन करने के लिए IMU डेटा के साथ संयुक्त है। इसके अलावा, कई सेंसर प्रोपल्शन, कंप्यूटिंग, हाइड्रोलिक, थर्मल और अन्य बिगडॉग सिस्टम की स्थिति का संकेत देते हैं।


बिगडॉग सेंसर: ए) जीपीएस एंटीना; बी) लिडार; ग) भौंरा स्टीरियो कैमरा; घ) हनीवेल आईएमयू; ई) संयुक्त सेंसर।

2) एक्सटीरोसेप्टिव सेंसर

रोबोट चार बाहरी सेंसर से लैस है: बीमार एलएमएस 291 लिडार, भौंरा पॉइंटग्रे स्टीरियो कैमरा, नोवाटेल जीपीएस रिसीवर और हनीवेल आईएमयू। उनमें से डेटा नीचे दिए गए चित्र में दिखाए गए सिस्टम में प्रवेश करता है।


3) कंप्यूटर

उपरोक्त आरेख के साथ सिस्टम को लागू करने के लिए, दो कंप्यूटर का उपयोग किया जाता है। बिगडॉग मुख्य कंप्यूटर एक पीसी -104 है जिसमें सिंगल-कोर इंटेल पेंटियम एम प्रोसेसर (1.8 गीगाहर्ट्ज) है। यह प्रोप्रियोसेप्टिव सेंसरों के साथ बातचीत करता है, रोबोट के संतुलन और गति को नियंत्रित करता है, पर्यावरण के मौजूदा मॉडल और इसके माध्यम से पथ की गणना करता है, और चाल को भी नियंत्रित करता है।

विजन एक अलग कंप्यूटर द्वारा प्रदान किया गया है जिसमें इंटेल कोरडूओ प्रोसेसर (1.7 गीगाहर्ट्ज) है। यह कैमरों की एक जोड़ी के साथ संचार करता है, विसंगतियों का पता लगाता है, दृश्य ओडोमेट्री का मूल्यांकन करता है और 3 डी इलाके के नक्शे का समर्थन करता है। यह कंप्यूटर ऑन-बोर्ड लोकल एरिया नेटवर्क के माध्यम से 15 हर्ट्ज की आवृत्ति पर मैप और विजुअल ओडोमेट्री डेटा को होस्ट कंप्यूटर तक पहुंचाता है।

इस तरह की प्रणाली का लाभ नियोजन कार्य को दो भागों में तोड़कर सरल बनाने की क्षमता है। लिडार और सेंसर से डेटा तीन आयामी है, लेकिन हम अधिक जटिल 3 डी धारणा और योजना को छोड़ने के लिए गैट कंट्रोल सिस्टम के स्व-स्थिरीकरण पर भरोसा कर सकते हैं।

तकनीकी दृष्टिकोण

हमारे सामान्य तकनीकी दृष्टिकोण में, हम बाधाओं का पता लगाने या बाधाओं के माध्यम से पथ की गणना करने के लिए दो पर्यावरण सेंसर से डेटा का उपयोग करते हैं, और किसी दिए गए पथ का पालन करने के लिए रोबोट के नियंत्रण प्रणाली को कमांड करते हैं।

पूरी प्रक्रिया को तीन चरणों में विभाजित किया जा सकता है। सबसे पहले, लिडार और कैमरे से छवियों को पर्यावरण में बाधाओं को इंगित करने वाले बिंदुओं की एक सूची प्राप्त करने के लिए संसाधित किया जाता है। फिर इन बिंदुओं को असंतुष्ट वस्तुओं में विभाजित किया जाता है और कुछ समय के लिए ट्रैक किया जाता है। इसके अलावा, इन वस्तुओं को मानचित्रण के लिए अस्थायी मेमोरी में संयोजित किया जाता है। इस चार्ट का उपयोग मध्यवर्ती गंतव्य की यात्रा की दिशा की योजना बनाने के लिए किया जाता है। शेड्यूलर को यह नियंत्रित करने के लिए डिज़ाइन किया गया है कि बिगडॉग प्रक्षेपवक्र बाधाओं से उचित दूरी पर हैं और शेड्यूलर के पुनरावृत्तियों के दौरान प्रक्षेपवक्र अंतरिक्ष में स्थिर हैं। किसी दिए गए प्रक्षेपवक्र के साथ गति एल्गोरिथ्म रोबोट को इच्छित पथ का अनुसरण करने के लिए मजबूर करता है, गति नियंत्रण प्रणाली को गति कमांड भेज रहा है। वह बारी-बारी से रोबोट के अंगों को घुमाती है।

A. जानकारी का संग्रह

1) स्थिति का आकलन

ओडोमेट्रिक जानकारी के दो स्रोत हैं: पैरों में कीनेमेटिक सेंसर और एक कृत्रिम दृष्टि प्रणाली। उनसे प्राप्त डेटा को रोबोट के स्थान का आकलन करने के लिए संयुक्त किया जाता है।



रोबोट के आंदोलनों की गणना करने के लिए ओडोमेट्रिक सिस्टम पैरों से कीनेमेटिक जानकारी का उपयोग करता है। और दृश्य ओडोमेट्री प्रणाली गति की गणना के लिए दृश्य विशेषताओं की निगरानी करती है। ये दोनों उपकरण स्थानिक अभिविन्यास के लिए सूचना के स्रोत के रूप में एक जड़त्वीय माप मॉड्यूल (IMU) का उपयोग करते हैं। एक सामान्य मीटर इन दो ओडोमीटर के आउटपुट को जोड़ती है, जो कम गति और उच्च गति पर कीनेमेटीक्स पर दृश्य ओडोमेट्री पर ध्यान केंद्रित करता है। इन दो संकेतकों का संयोजन काउंटरों में से प्रत्येक की कमियों को समाप्त करता है: स्टीरियो सिस्टम की संभावित विफलता, जगह में चलते समय अंगों में स्थित ओडोमीटर रीडिंग का बहाव, साथ ही ऊर्ध्वाधर अक्ष के साथ इस सेंसर की त्रुटियां।

बिगडॉग रोबोट में इस्तेमाल किया जाने वाला लिडार हर 13 मिली सेकेंड में एक नई छवि बनाता है। प्रत्येक छवि को रोबोट के स्थान पर केंद्र के साथ एक बाहरी समन्वय प्रणाली में बदल दिया जाता है। इस स्थिति में, स्थान काउंटर से समय-सिंक्रनाइज़ की गई जानकारी का उपयोग किया जाता है। परिणामी 3D बिंदु मेघ को नीचे वर्णित विभाजन एल्गोरिथ्म द्वारा प्रसंस्करण के लिए प्रेषित किया जाता है। इसी तरह, स्टीरियोस्कोपिक दृष्टि प्रणाली रोबोट पर केंद्रित 4 x 4 मीटर वर्ग में 3 डी इलाके का नक्शा बनाने के लिए कुछ समय के लिए गैर-अनुरूपता मानचित्र एकत्र करती है। स्थानिक फिल्टर महत्वपूर्ण ऊंचाई परिवर्तन (यानी संभावित बाधाओं) के क्षेत्रों को निर्धारित करता है और इन क्षेत्रों से संबंधित बिंदुओं की एक सूची को क्लाउड क्लाउड सेगमेंट एल्गोरिथ्म तक पहुंचाता है।

2) प्वाइंट क्लाउड सेगमेंटेशन और ऑब्जेक्ट ट्रैकिंग

पृथ्वी की अनियमितताओं और रोबोट के आंदोलनों के कारण, लिडार स्कैनर डेटा के हिस्से में पृथ्वी की छवियां शामिल होंगी। लंबी बाधाओं (जैसे दीवारें) से परावर्तन पृथ्वी की सतह से परावर्तन के समान होते हैं। सफल संचालन के लिए, सिस्टम को इन प्रतिबिंबों की व्याख्या इस तरह से करनी चाहिए कि यह दीवारों के पास रोबोट को नियंत्रित कर सके, न कि पृथ्वी का "डर" हो। इस प्रक्रिया में पहला कदम लिडार और इलाके के नक्शे द्वारा अलग-अलग वस्तुओं में प्रदान किए गए बाधा बिंदुओं का विभाजन है। दुर्लभ 3 डी बिंदु बादलों को 0.5 मीटर से कम की दूरी पर अलग-अलग बिंदुओं को विलय करके वस्तुओं में विभाजित किया जाता है।

विभाजन एल्गोरिथ्म के लिए धन्यवाद प्राप्त वस्तुओं को कुछ समय के लिए ट्रैक किया जाता है। इस कार्य को पूरा करने के लिए, हम जघन्य बाधाओं के साथ एक लालची पुनरावृत्ति एल्गोरिथ्म का उपयोग करते हैं। वर्तमान छवि में ऑब्जेक्ट अंतिम छवि के निकटतम ऑब्जेक्ट के साथ मेल खाता है, बशर्ते कि ऑब्जेक्ट 0.7 मीटर से अधिक नहीं की दूरी से अलग हो।

इस तथ्य के कारण कि बिंदु बादलों को वस्तुओं में विभाजित किया जाता है और कुछ समय के लिए ट्रैक किया जाता है, रोबोट पृथ्वी की मध्यम असमानता और विभिन्न प्रकार की बाधाओं के साथ पर्यावरण में पर्याप्त रूप से आगे बढ़ सकता है: पेड़, कोबलस्टोन, गिर लॉग, दीवारें। पेड़ और दीवारें मुख्य रूप से लिडार स्कैनर द्वारा निर्धारित की जाती हैं, और कोब्लेस्टोन और लॉग एक स्टीरियोस्कोपिक दृष्टि प्रणाली द्वारा निर्धारित किए जाते हैं।


कुछ ही सेकंड में रिकॉर्ड किए गए लिडार (नीले डॉट्स) से डेटा): ए) के साथ एक रोबोट (पीला आयत) दिखाने वाला चित्र; ख) उनकी संबंधित सुविधाएं। लम्बी भूरी वस्तुएं पेड़ हैं। ग्राउंड रिफ्लेक्शन को पारदर्शी और सपाट दिखाया गया है। हरे रंग का सिलेंडर लक्ष्य है; परिकलित पथ की नीली रेखा इसकी ओर जाती है। ग) कार्टोग्राम का शीर्ष दृश्य: सबसे कम घातक मूल्य वाले क्षेत्रों को हरे रंग में दर्शाया जाता है, और उच्चतम मूल्य वाले क्षेत्रों को बैंगनी रंग में दर्शाया जाता है। प्रत्येक ग्रिड इकाई 5 मीटर से मेल खाती है।

B. नेविगेशन योजना

नेविगेशन समस्या को हल करने के लिए हमारा दृष्टिकोण आमतौर पर रोबोट समुदाय में स्वीकार किया जाता है। बाधा अंक (धारणा प्रक्रियाओं के कारण प्राप्त) रोबोट के स्थान पर केंद्र के साथ एक कार्टोग्राम पर प्लॉट किए जाते हैं। रोबोट का अंतिम लक्ष्य कार्टोग्राम की सीमा पर प्रक्षेपित किया जाता है, और एल्गोरिथ्म ए ∗ का एक संस्करण इसे लागू किया जाता है। यह प्रक्रिया लगभग प्रति सेकंड एक बार दोहराई जाती है।

1) ट्रैक की गई बाधाओं की मेमोरी

रोबोट के दो सेंसर के सीमित क्षेत्र के कारण, यह जरूरी है कि रोबोट बाधाओं की एक सटीक स्मृति को बनाए रखता है जिसे वह अब नहीं देख सकता है। चूंकि ऑब्जेक्ट्स की सूची ऑब्जेक्ट ट्रैकिंग सिस्टम द्वारा प्रदान की जाती है, इसलिए व्यक्तिगत ऑब्जेक्ट्स को प्लानिंग सिस्टम के ऑब्जेक्ट मेमोरी में जोड़ा, अपडेट या डिलीट किया जाता है। वस्तुओं की सूची का आकार सीमित है, इसलिए जब नई वस्तुओं को इसमें जोड़ा जाता है, तो अन्य को हटा दिया जाना चाहिए।

चर O की वस्तुओं की वर्तमान सूची को नकारते हुए, हम O के दो मापदंडों वाले उपवर्गों की गणना कर सकते हैं:



यहाँ उम्र (q) वर्तमान समय और वस्तु q के अंतिम माप के समय के बीच का अंतर है,
norm (q, r) inf - रोबोट के वर्तमान स्थान और वस्तु q की सीमा के बीच की न्यूनतम दूरी।

वस्तुओं को निम्न मानदंडों से O से हटा दिया जाता है:

• सेट {P (30) (Q (15)} को O से घटाया जाता है। ये 30 सेकंड से अधिक पुरानी वस्तुएं हैं और रोबोट के करीब 15 मीटर की दूरी पर स्थित हैं।
• सेट {P (1800) (Q (10)} को O से घटाया जाता है। ये आधे घंटे से अधिक पुरानी वस्तुएं हैं और रोबोट से 10 मीटर के करीब स्थित नहीं हैं।
• सूची सीमा पूरी होने के बाद ऑब्जेक्ट्स को O से हटा दिया जाता है ऑब्जेक्ट की प्राथमिकता उस समय से निर्धारित होती है जिसके दौरान ट्रैकर द्वारा इसे सफलतापूर्वक ट्रैक किया गया था। दूसरे शब्दों में, जिन वस्तुओं को रोबोट "देखा" लंबे समय तक स्मृति में संग्रहीत किया जाता है।
• हालांकि, पिछले 10 सेकंड में ट्रैक की गई कोई भी वस्तु खारिज नहीं की गई है।

स्मृति संसाधनों का यह आवंटन निम्नलिखित व्यवहार की ओर जाता है: चूंकि ऑब्जेक्ट रोबोट के सेंसर के देखने के क्षेत्र को छोड़ देते हैं, यह हटाए गए ऑब्जेक्ट और ऑब्जेक्ट को भूल जाता है जो उसने कई बार नहीं देखा है। ऐसी वस्तुएँ जो देखने में या दुर्गम हैं, लेकिन रोबोट के करीब स्थित हैं, उन्हें भुलाया नहीं जाता है।

2) कार्टोग्राम बनाना

हम रोबोट के आसपास के वातावरण का प्रतिनिधित्व करने के लिए 2 डी ग्रिड के आधार पर बनाए गए कार्टोग्राम का उपयोग करते हैं। गतिशील रूप से कार्टोग्राम बनाने के बजाय (जैसा कि रोबोट नई पर्यावरणीय जानकारी प्राप्त करता है), एक नया कार्टोग्राम नियोजन के प्रत्येक पुनरावृत्ति के साथ संकलित होता है और शेड्यूलर की मेमोरी से ऑब्जेक्ट्स से भर जाता है। यह इस प्रकार है कि गतिशील मार्ग योजनाकार का उपयोग ए * एल्गोरिथ्म के बजाय नहीं किया जा सकता है। चूंकि हम मानते हैं कि वस्तुओं का आकार सीमित है (कि पर्यावरण में एक मृत अंत की अनुपस्थिति आधे से अधिक नक्शा है), नियोजन कार्य का दायरा और पथ की गणना करने का समय छोटा है।

कार्ट्रोग्राम निम्नलिखित एल्गोरिदम के अनुसार वस्तुओं की सूची से मूल्यों से भरा होता है:



कोशिकाएँ जहाँ वस्तुएँ स्थित होती हैं, उन्हें बहुत ही घातक मान दिया जाता है। ऑब्जेक्ट के पास कोशिकाओं के लिए संकेतक फ़ंक्शन च के अनुसार निर्धारित किया जाता है, जो इस बिंदु पर वर्तमान दूरी को ध्यान में रखता है। यहाँ प्रस्तुत परीक्षण परिणामों के लिए, च बस दूरी का उलटा घन था।

इस दृष्टिकोण का प्रभाव यह है कि यह कोशिकाओं से बहुत अधिक मूल्य के साथ धीरे-धीरे घटता है क्योंकि यह उनसे दूर चला जाता है (और वे ऑब्जेक्ट जो वे डिज़ाइन करते हैं)।

3) पथ की स्थिरता

यह सुनिश्चित करने के लिए कि हम "नियंत्रण" बिगडॉग को यादृच्छिक और व्यवस्थित तरीके से नहीं करते हैं, नियोजित पथ की स्थिरता पर विशेष ध्यान दिया जाता है। यह पथ योजनाकार की पुनरावृत्तियों के माध्यम से यथासंभव स्थिर होना चाहिए। यह तीन तरीकों से प्रदान किया जाता है।

सबसे पहले, ए * एल्गोरिथ्म को दिया गया प्रारंभिक बिंदु रोबोट की वर्तमान स्थिति नहीं है, लेकिन ए * एल्गोरिथम द्वारा दिए गए पथ के अंतिम बिंदु पर इसकी स्थिति का प्रक्षेपण (चलो इस बिंदु को पी कहते हैं)। जब तक बिगडॉग नियोजित मार्ग का अनुसरण करता है, तब तक यह बग़ल में से थोड़ा विचलित हो सकता है। ए * एल्गोरिथ्म की पिछली गणना के बिंदु पर शुरुआती बिंदु को प्रोजेक्ट करके, हम रोबोट की स्थिति के उतार-चढ़ाव को फ़िल्टर करते हैं, और शेड्यूलर द्वारा प्रदर्शित पथ अधिक स्थिर हो जाते हैं। यदि रोबोट सेट वैल्यू से अधिक पथ से भटकता है (डिफ़ॉल्ट रूप से यह 3 मीटर है), पॉइंट पी को बस रोबोट की वर्तमान स्थिति में स्थानांतरित किया जाता है।

दूसरे, पथ योजनाकार की निरंतरता को सत्यापित करने के लिए, हम ए की गणना करते हैं - रोबोट की स्थिति का प्रक्षेपण अतीत में 2.5 सेकंड से ए * एल्गोरिथ्म द्वारा गणना की गई अंतिम बिंदु तक। फिर q से p तक अंतिम नियोजित पथ के खंड को नए पथ की गणना में जोड़ा जाता है। नतीजतन, रोबोट पहले से ही यात्रा किए गए मार्ग से थोड़ी दूरी पर ट्रैक करता है। इसके लिए धन्यवाद, पथ का अनुसरण करने के लिए एल्गोरिथ्म खुद को स्थिति के महत्वपूर्ण उल्लंघन के साथ बेहतर दिखाता है, जो अक्सर अपने पैरों पर रोबोट द्वारा सामना किया जाता है।

तीसरा, नियोजित रास्तों का कुछ इतिहास रोबोट की स्मृति में संग्रहीत है। इन रास्तों का उपयोग कार्ट्रोग्राम की उन कोशिकाओं के मूल्यों को कम करने के लिए किया जाता है जहां रोबोट पहले से ही चला गया है, जबकि आसपास के क्षेत्र में कोशिकाओं के मूल्य में वृद्धि हुई है। इसलिए, एक नियम के रूप में, उसी दिशा में एक नया नियोजित पथ रोबोट द्वारा पहले से ही यात्रा किए गए पथ को दोहराएगा (लेकिन इस की सख्त गारंटी के बिना)।

4) पथ चौरसाई

गणना पथ, क्योंकि यह एक नियमित ग्रिड पर आधारित है, थोड़ा दांतेदार है। दिशा में महत्वपूर्ण परिवर्तन अवांछित नियंत्रण आदेशों का कारण बन सकता है। इससे बचने के लिए, डी बोअर स्मूथिंग एल्गोरिदम लागू किया जाता है।

इसके अलावा, ग्रिड-आधारित पथ नियोजन अक्सर तकनीकी रूप से इष्टतम लेकिन लक्ष्य के लिए कम वांछनीय पथ की ओर जाता है। हम शेड्यूलर के प्रत्येक पुनरावृत्ति के लिए एक सुगम पथ की गणना करके इस समस्या को हल करते हैं। बाद के पुनरावृत्तियों के लिए, कार्टोग्राम की कोशिकाएं जहां चिकनी पथ चलती हैं, उन्हें कम मूल्य दिया जाता है। यह लक्ष्य को अधिक सीधा और सुगम मार्ग प्रदान करता है।

C. नियंत्रण पर नियंत्रण: गतिशीलता और संतुलन

नेविगेशन प्लानिंग सिस्टम प्रति सेकंड लगभग एक बार एक नया रास्ता निर्धारित करता है। 200 हर्ट्ज की आवृत्ति पर चलने वाले पथ के लिए एक एल्गोरिथ्म अंतिम नियोजित पथ के अनुसार रोबोट को निर्देशित करता है। यह एल्गोरिथ्म वांछित शरीर की गति के रूप में कमांड का एक सेट बनाता है, जिसमें फॉरवर्ड स्पीड, लेटरल स्पीड और बॉडी यॉव रेट शामिल हैं। ये गति गैट नियंत्रक को प्रेषित की जाती है, जो पैरों की गति को नियंत्रित करती है।

रोबोट और पथ के बीच की दूरी के आधार पर, तीन रणनीतियों में से एक का उपयोग किया जाता है। यदि रोबोट पथ के एक भाग के पास स्थित है, तो यह तिरछे स्थानांतरित करना शुरू कर देता है जब तक कि यह पक्ष से प्रवेश नहीं करता है, पूरी गति से आगे बढ़ रहा है। यदि रोबोट पथ से बहुत दूर है, तो यह वांछित बिंदु पर बिल्कुल आगे को निर्देशित करता है। एक मध्यवर्ती स्थिति में, इन रणनीतियों का एक संयोजन उपयोग किया जाता है।

चाल नियंत्रण एल्गोरिदम का विस्तृत विवरण इस लेख के दायरे से परे है। हालांकि, एक नियम के रूप में, शरीर की गति निम्न-स्तरीय बिगडॉग गेट कंट्रोलर्स के लिए नियंत्रण इनपुट के रूप में कार्य करती है। चाल नियंत्रक स्थिरता सुनिश्चित करने के लिए प्रत्येक संयुक्त के लिए ताकत और स्थिति आदेशों का उत्पादन करता है, असामान्यताओं का जवाब देता है और शरीर की आवश्यक गति प्रदान करता है। यद्यपि पथ अन्वेषक एल्गोरिथ्म की गणना किसी भी बिगडॉग गेट के लिए इस्तेमाल की जा सकती है, लेकिन गति और किसी न किसी इलाके को पार करने की क्षमता के कारण ट्रोटिंग इष्टतम है।

क्षेत्र परीक्षण के परिणाम

ऊपर वर्णित सेंसर और नेविगेशन सिस्टम बिगडॉग पर स्थापित किया गया था और प्रयोगशाला के बाहर परीक्षण किया गया था। परीक्षण ऐसे क्षेत्र में आयोजित किए गए जहां 11 डिग्री तक ढलान के साथ कई पेड़, बोल्डर, अंडरग्रो, पहाड़ियों थे। चित्र 1 परिदृश्य के उदाहरण दिखाता है। चित्र 2 रोबोट द्वारा संसाधित लिडार के डेटा को दर्शाता है।


अंजीर। 1. वह इलाका जहां परीक्षण किए गए थे


अंजीर। 2. परीक्षण, शीर्ष दृश्य। लिडार और स्टीरियो कैमरों से प्राप्त छवि। अंधेरे क्षेत्र पेड़ और अन्य बाधाएं हैं। मेष का आकार 5 मीटर है।

नेविगेशन सिस्टम और प्लानर को 7 महीनों की अवधि में विकसित किया गया था, हर पांच सप्ताह में एक बार नियमित परीक्षण। नवीनतम परीक्षणों के परिणाम यहां वर्णित हैं।

किए गए 26 परीक्षणों में से, 23 सफलतापूर्वक समाप्त हो गए: रोबोट लक्ष्य तक पहुंच गया, किसी भी बाधा का सामना नहीं किया, और इसके करीब नहीं था। इन परीक्षणों के परिणामों को PivotTable में लक्ष्य के रूप में चिह्नित किया गया है। एक छोटे से पत्थर पर कदम रखने के बाद केवल एक परीक्षण के अंत में रोबोट गिर गया। आमतौर पर गैट कंट्रोल सिस्टम ऐसी स्थितियों का सामना करता है, लेकिन इस बार नहीं (परिणाम तालिका में गिरावट के रूप में चिह्नित किया गया है - "पतन")। तीन परीक्षणों में, रोबोट को बड़ी बाधाओं (20 मीटर से अधिक चौड़ी) का सामना करना पड़ा। रोबोट ने गणना की कि बाधा के चारों ओर जाने के लिए कौन सा पक्ष सबसे अच्छा है और किसी निश्चित समय (20 सेकंड) में आगे नहीं बढ़ा। इस आकार की बाधाएं उस दायरे से परे जाती हैं जिसके लिए एक स्वायत्त प्रणाली विकसित की गई थी। इन परीक्षणों के परिणामों को लाइव-लॉक के रूप में तालिका में दर्शाया गया है।



इन 26 परीक्षणों में, रोबोट को काफी समान परिदृश्यों में और वुडलैंड के बीच में रखा गया था। जैसे-जैसे वातावरण अधिक जटिल होता जाता है, लाइव-लॉक परिणामों की संख्या बढ़ती जाती है, और रोबोट कम कुशल रास्तों का चयन करता है।

अधिक दिलचस्प - robo-hunter.com पर :

• ;
• ;
• .

YouTube