AI-система навігації сервісних роботів (SLAM)
Simultaneous Localization and Mapping — ключова технологічна проблема для будь-якого мобільного робота, що працює без GPS у закритих приміщеннях. Сучасна SLAM у поєднанні з deep reinforcement learning дозволяє роботу будувати карту навколишнього середовища, локалізуватися на ній з точністю 2-5 см та приймати навігаційні рішення в динамічному середовищі з людьми, тачками та змінюваним розташуванням предметів.
Архітектура SLAM-системи
Сучасні реалізації використовують factor graph підхід. Дві основні гілки:
LiDAR-based SLAM
- SLAM-алгоритм: Cartographer (Google) або LOAM/LeGO-LOAM для 3D-сенсорів
- Сенсори: Velodyne VLP-16, Ouster OS1, Livox Mid-360
- Частота оновлення карти: 10-20 Гц
- Точність локалізації: 2-5 см у статичному середовищі
Visual SLAM (vSLAM)
- ORB-SLAM3, OpenVINS для стерео/monocular камер
- Intel RealSense D435i, Zed 2 як основні платформи
- Злиття з IMU через EKF (Extended Kalman Filter)
- Працює при відмовах лідара (дим, яскраве світло)
На практиці використовується гібридний підхід: LiDAR SLAM як основна, vSLAM як резервна та для візуальної верифікації.
Deep RL для навігації
Класичні планувальники (A*, Dijkstra, RRT) хорошо працюють у статичному середовищі. Проблема — динамічні перешкоди: люди, рухливі тачки, робови-колеги. Тут включається RL.
Формалізація задачі:
- Стан: локальна сітка occupancy 64×64 навколо робота + швидкість + вектор до цілі
- Дії: лінійна швидкість [0, 0.8 м/с], кутова швидкість [-1.0, 1.0 рад/с]
- Винагорода: прогрес до цілі - штраф за близькість до перешкод - штраф за зупинку
Алгоритм: SAC (Soft Actor-Critic) — найкращий баланс дослідження/експлуатації для неперервних просторів дій. Навчання в симуляторі Gazebo/Isaac Sim, sim-to-real трансфер через domain randomization.
Стек технологій
| Рівень | Компоненти |
|---|---|
| Hardware | Husarion ROSbot, Clearpath Husky, користувацька платформа |
| Middleware | ROS2 Humble, Nav2 |
| SLAM | Cartographer / ORB-SLAM3 |
| Planning | Nav2 + RL-політика для локального планування |
| Інференція | NVIDIA Jetson AGX Orin / x86 + GPU |
| Fleet | ROS2 Fleet Management, Formant |
Робота в динамічному середовищі
Ключова задача — передбачення траєкторій людей для соціально прийнятної навігації. Social Force Model та його розширення нейронною мережею — Social LSTM або DESIRE.
Метрики соціальної навігації:
- Personal Space Intrusion (PSI): частка часу в зоні < 0.5 м від людини
- Path Efficiency: відношення фактичного шляху до оптимального
- Freeze ratio: частка часу у стані "замерз перед людьми"
Для сервісного робота в ресторані або готелі PSI повинен бути < 1%, інакше користувачі сприймають його як агресивного.
Multi-robot координація
Кілька роботів на одній площі створюють deadlock ситуації. Рішення:
- Централізована: планування сервер (CBS — Conflict-Based Search) + ROS2 Nav2 Multi-robot
- Децентралізована: ORCA (Optimal Reciprocal Collision Avoidance) — кожен робот самостійно розв'язує конфлікти
- Гібридна: поділ зон + локальна ORCA
Для складу з 10-20 роботів рекомендується централізована CBS. Для відкритих торговельних залів — децентралізована ORCA з м'якими зонами пріоритету.
Pipeline розробки
Fase 1 (тижні 1-6): Вибір та налаштування SLAM-алгоритму для конкретного набору сенсорів. Картування тестового приміщення, оцінка точності локалізації.
Fase 2 (тижні 7-14): Створення середовища симуляції в Isaac Sim з реальними CAD-моделями приміщень. Навчання RL-агента навігації, 20-50M кроків симуляції.
Fase 3 (тижні 15-20): Sim-to-real трансфер на фізичного робота. Domain randomization: випадкові затримки датчиків, шум одометрії, випадкове розташування меблів.
Fase 4 (тижні 21-26): Fleet management, моніторинг, інтеграція з операційними системами (PMS для готелів, WMS для складів).
Фінальні метрики production-системи: успішність місій > 97%, середня швидкість пересування 0.4-0.6 м/с в людних місцях, автономна робота 8-12 годин на одній зарядці.