AI для роботів-доставників: навігація, телеоперація, fleet-моніторинг
Уявіть: робот-доставник застрягає біля бордюру, не бачить калюжу або втрачає GPS під мостом. У неструктурованому міському середовищі стандартні алгоритми не справляються. Ми вирішуємо це завдання за допомогою стеку з computer vision, reinforcement learning та телеоперації. Наш досвід — 5+ років у AI для робототехніки, понад 30 впроваджених проєктів. Основні виклики — нерівності рельєфу, динамічні перешкоди, перепади освітлення. Ми розробили систему, яка обробляє 30 кадрів на секунду з кількома джерелами даних, забезпечуючи точність локалізації до 10 см. На відміну від традиційних підходів, наш RL-планувальник знижує кількість ручних втручань на 90% порівняно з правилами, а впровадження AI зменшує витрати на доставку до 40%.
Успіх проєкту залежить від точного визначення ODD та якості даних. Ми допомагаємо зібрати та розмітити датасети для навчання моделей, а також проводимо симуляційне тестування до виходу на реальне середовище. Оцінимо ваш проєкт і запропонуємо рішення під ключ.
Які технічні проблеми ми вирішуємо
Міські тротуари сповнені edge cases: нерівності, пандуси, перехрестя, непередбачувані пішоходи. Доставний робот повинен:
- Детектувати об'єкти із затримкою менше 33 мс (30 FPS).
- Розрізняти типи поверхонь (асфальт, газон, калюжа, сніг).
- Планувати траєкторію в реальному часі з урахуванням динамічних перешкод.
- Обробляти тимчасові перешкоди (будівельні паркани, натовпи).
Стандартні SLAM-алгоритми дають помилки за відсутності текстури. Ми застосовуємо Visual SLAM з IMU-фузією та SLAM для точності до 10 см.
Чому AI-система критична для роботів-доставників?
Без AI робот не зможе адаптуватися до змін середовища. Ми використовуємо комбінацію детекції, сегментації та depth estimation. Сенсорний пакет включає:
- 9–12 камер для 360° огляду.
- 2–4 LiDAR (Livox Mid-360 або solid-state).
- Ультразвукові датчики для ближньої зони.
- RTK GPS + Visual SLAM.
Детекція побудована на YOLOv8 та RT-DETR, сегментація — SegFormer. Все оптимізовано для NVIDIA Jetson Orin NX через TensorRT, досягаючи 30+ FPS на кожен потік.
Як ми забезпечуємо 95%+ success rate у міському середовищі?
Глобальний маршрут будується по HD-карті тротуарів (OSM + власна розмітка). Граф сегментів містить атрибути: ширина, тип покриття, наявність бордюру, освітленість.
Локальний планувальник використовує RL (TD3) з неперервним простором швидкостей. Вхід — BEV 64×64 м з семантичними шарами. Агент навчається в Isaac Sim (NVIDIA Omniverse) з фотореалістичними міськими сценами за 10-секундний горизонт.
Для нестандартних ситуацій — OOD детектор з safe-stop та запитом оператора.
| Ситуація | Стратегія |
|---|---|
| Бордюр без пандуса | Об'їзд по HD-карті / пошук пандуса |
| Калюжа / сніг | Зниження швидкості, об'їзд |
| Будівельний паркан | Перепланування глобального маршруту |
| Натовп пішоходів | Зупинка, очікування проходу |
| Собака без повідка | М'яка зупинка, об'їзд |
Деталі сенсорного пакета та моделі
- Камери: fisheye, 1–2 Мпікс, частота 30 FPS. - LiDAR: Livox Mid-360, 360° x 90° FOV. - IMU: інерційний модуль з 6 DOF. - Обчислювач: NVIDIA Jetson Orin NX, 100 TOPS. - Моделі: YOLOv8l, SegFormer-B2, UniDepth.Порівняння підходів: LiDAR vs камери
| Параметр | LiDAR | Камери | Комбінація |
|---|---|---|---|
| Дальність | до 200 м | до 100 м (стерео) | 200+ м |
| Точність у темряві | 100% | низька | висока |
| Семантична інформація | ні | так | так |
| Вартість | висока | низька | середня |
YOLOv8 детекція показує mAP 0.55 на Cityscapes, при цьому segmentation дає IoU 0.78.
Human-in-the-loop телеоперація
Повна автономія досяжна при чітко визначеному ODD. На старті частина edge cases вирішується телеоператорами:
- Відеопотік з 4 камер (WebRTC, < 200 мс латентність).
- Управління через геймпад.
- Всі сесії логуються для DAgger-навчання.
- Динаміка втручання: перший місяць 15–25%, через 6 місяців 1–3%.
Fleet management та моніторинг
Centralized Fleet Controller:
- Диспетчеризація замовлень за найближчим вільним роботом з урахуванням заряду.
- Предиктивна зарядка з буфером 20%.
- Kafka + TimescaleDB для real-time моніторингу.
Метрики: Mission Success Rate >95%, Average Delivery Time deviation <10%, Intervention Rate, MTBF >200 годин.
Процес впровадження
- Аналітика: аудит середовища, виділення ODD, збір даних (3–4 тижні).
- Проєктування: архітектура сенсорів, вибір моделей, pipeline (2–3 тижні).
- Реалізація: калібрування, навчання моделей, інтеграція (8–12 тижнів).
- Тестування: симуляція, реальні тести, ітерації (4–6 тижнів).
- Деплой: встановлення на флот, налаштування fleet management (2–3 тижні).
Терміни: MVP з базовою навігацією по тротуару — 4–5 місяців. Повноцінна система з телеоперацією та fleet management — 9–12 місяців. Вартість розраховується індивідуально. Замовте аналіз ваших завдань — ми підберемо оптимальну конфігурацію.
Що входить у роботу
- Документація: опис архітектури, інструкції з експлуатації.
- Навчання команди замовника (2–3 дні).
- Доступ до дашборду моніторингу.
- Підтримка на етапі експлуатації (SLA).
Ми гарантуємо Mission Success Rate >95% після стабілізації. Отримайте консультацію щодо впровадження AI-системи для вашого проєкту. Зв'яжіться з нами, щоб обговорити деталі.