AI-система навигации сервисных роботов (SLAM)
Задача навигации без GPS в закрытых помещениях — вызов для любого мобильного робота. Simultaneous Localization and Mapping (SLAM) в связке с deep reinforcement learning позволяет роботу строить карту, локализоваться на ней с точностью до 2–5 см и принимать решения в динамической среде с людьми и объектами. Мы специализируемся на внедрении таких систем под ключ: от выбора сенсоров до развёртывания флота. Наша команда — 5+ лет практического опыта в SLAM, 15+ внедрённых проектов для ресторанов, отелей и складов, сертифицированные инженеры NVIDIA. В основе лежит гибридный подход: LiDAR SLAM как основной сенсор, vSLAM как резерв. Такой тандем обеспечивает отказоустойчивость и точность, недостижимую для одного типа сенсоров. Например, в условиях низкой освещённости Cartographer превосходит ORB-SLAM3 на 20–30%, а при обилии визуальных текстур vSLAM берёт верх.
Thrun et al., Probabilistic Robotics, MIT Press
Архитектура SLAM-системы
Современные реализации используют factor graph-подход. Две основные ветки: LiDAR-based SLAM
- Алгоритмы: Cartographer (Google) или LOAM/LeGO-LOAM для 3D-сенсоров
- Сенсоры: Velodyne VLP-16, Ouster OS1, Livox Mid-360
- Частота обновления карты: 10-20 Гц
- Точность локализации: 2-5 см в статичной среде
Visual SLAM (vSLAM)
- ORB-SLAM3, OpenVINS для стерео/monocular камер
- Основные платформы: Intel RealSense D435i, Zed 2
- Fusion с IMU через EKF (Extended Kalman Filter)
- Работает при сбоях лидара (дым, яркий свет)
На практике используется гибридный подход: LiDAR SLAM как основной, vSLAM как резервный и для визуальной верификации.
| Сенсор | LiDAR | Камера | IMU |
|---|---|---|---|
| Роль | Основной SLAM | Резерв + верификация | Fusion с vSLAM |
| Пример | Velodyne VLP-16 | Intel RealSense D435i | BMI088 |
Почему гибридный SLAM?
Потому что он обеспечивает отказоустойчивость: если один сенсор деградирует, второй подхватывает. Сравнение: Cartographer превосходит ORB-SLAM3 по точности в условиях низкой освещённости на 20–30%, но уступает в текстурированных сценах. Гибридная система берёт лучшее от обоих миров.
Deep RL для навигации в динамике
Классические планировщики (A*, Dijkstra, RRT) хорошо работают в статичной среде. Проблема — динамические препятствия: люди, движущиеся тележки, роботы-коллеги. Здесь подключается RL.
Формализация задачи:
- Состояние: локальная карта occupancy grid 64×64 вокруг робота + скорость + вектор до цели
- Действия: линейная скорость [0, 0.8 м/с], угловая скорость [-1.0, 1.0 рад/с]
- Награда: продвижение к цели - штраф за близость к препятствиям - штраф за остановку
Алгоритм: SAC (Soft Actor-Critic) — лучший баланс исследования/эксплуатации для непрерывных пространств действий. Обучение в симуляторе Gazebo/Isaac Sim, sim-to-real transfer через domain randomisation.
Как deep RL решает проблему динамических препятствий?
Ключевая задача — предсказание траекторий людей для социально приемлемой навигации. Используется Social Force Model и его нейросетевое расширение — Social LSTM или DESIRE. Метрики социальной навигации:
- Personal Space Intrusion (PSI): доля времени в зоне < 0.5 м от человека
- Path Efficiency: отношение фактического пути к оптимальному
- Freeze ratio: доля времени в состоянии «застыл перед людьми»
Для сервисного робота в ресторане или отеле PSI должен быть < 1%, иначе пользователи воспринимают его как агрессивный. Мы гарантируем достижение этого показателя через калибровку RL-награды и симуляцию с реальными данными.
Как обеспечивается социальная навигация?
Social navigation — это не только избегание столкновений, но и соблюдение социальных норм: робот должен объезжать людей слева, не блокировать проходы, не подходить слишком близко к группам. Для этого в RL-награду добавляется штраф за вторжение в personal space и бонус за соблюдение «правой стороны». Дополнительно используется социальная карта — распределение вероятностей нахождения людей.
Подробнее о sim-to-real transfer
Domain randomisation: случайные задержки датчиков (±50 мс), шум одометрии (5% ошибка), случайное расположение мебели (до 30 см смещения). Это учит политику быть робастной к реальным условиям.
Multi-robot координация
При нескольких роботах на площадке возникают deadlock-ситуации. Решения:
- Centralized: сервер планирования (CBS — Conflict-Based Search) + ROS2 Nav2 Multi-robot
- Decentralized: ORCA (Optimal Reciprocal Collision Avoidance) — каждый робот самостоятельно разруливает конфликты
- Hybrid: зональное разделение + локальный ORCA
Для склада с 10-20 роботами рекомендован централизованный CBS. Для открытых торговых залов — децентрализованный ORCA с мягкими зонами приоритета.
Стек технологий
| Уровень | Компоненты |
|---|---|
| Hardware | Husarion ROSbot, Clearpath Husky, кастомная платформа |
| Middleware | ROS2 Humble, Nav2 |
| SLAM | Cartographer / ORB-SLAM3 |
| Planning | Nav2 + RL-политика для локального планирования |
| Inference | NVIDIA Jetson AGX Orin / x86 + GPU |
| Fleet | ROS2 Fleet Management, Formant |
Pipeline разработки
- Фаза 1 (недели 1–6): Выбор и настройка SLAM-алгоритма под конкретный сенсорный пакет. Картирование тестового помещения, оценка точности локализации.
- Фаза 2 (недели 7–14): Создание симуляционной среды в Isaac Sim с реальными CAD-моделями помещения. Обучение RL-агента навигации, 20–50 млн шагов симуляции.
- Фаза 3 (недели 15–20): Sim-to-real transfer на физическом роботе. Domain randomisation: случайные задержки датчиков, шум одометрии, случайное расположение мебели.
- Фаза 4 (недели 21–26): Fleet management, мониторинг, интеграция с операционными системами (PMS для отелей, WMS для складов).
Итоговые метрики продакшн-системы: успешность миссий > 97%, средняя скорость передвижения 0.4–0.6 м/с в людных местах, автономная работа 8–12 часов на одной зарядке.
Что входит в работу
- Анализ помещения и требований к навигации
- Выбор и калибровка сенсоров (LiDAR, камеры, IMU)
- Разработка и настройка SLAM-алгоритма (Cartographer/ORB-SLAM3)
- Создание симуляционной среды и обучение RL-политики
- Sim-to-real transfer и отладка на физическом роботе
- Интеграция с ROS2 и fleet management
- Документация, обучение ваших инженеров, поддержка 3 месяца
Свяжитесь с нами для консультации по вашему проекту. Закажите оценку сценария — предложим оптимальную архитектуру под ключ. Получите детальный пайплайн и расчёт сроков индивидуально.