AI-система навігації сервісних роботів (SLAM)
Завдання навігації без GPS у закритих приміщеннях — виклик для будь-якого мобільного робота. Simultaneous Localization and Mapping (SLAM) у зв'язці з deep reinforcement learning дозволяє роботу будувати карту, локалізуватися на ній з точністю до 2–5 см і приймати рішення в динамічному середовищі з людьми та об'єктами. Ми спеціалізуємося на впровадженні таких систем під ключ: від вибору сенсорів до розгортання флоту. Наша команда — 5+ років практичного досвіду в SLAM, 15+ впроваджених проєктів для ресторанів, готелів та складів, сертифіковані інженери NVIDIA. В основі лежить гібридний підхід: LiDAR SLAM як основний сенсор, vSLAM як резерв. Такий тандем забезпечує відмовостійкість і точність, недосяжну для одного типу сенсорів. Наприклад, в умовах низької освітленості Cartographer перевершує ORB-SLAM3 на 20–30%, а при великій кількості візуальних текстур vSLAM бере гору.
Thrun et al., Probabilistic Robotics, MIT Press
Архітектура SLAM-системи
Сучасні реалізації використовують factor graph-підхід. Дві основні гілки: LiDAR-based SLAM
- Алгоритми: 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
- Основні платформи: Intel RealSense D435i, Zed 2
- Fusion з IMU через EKF (Extended Kalman Filter)
- Працює при збоях лідара (дим, яскраве світло)
На практиці використовується гібридний підхід: LiDAR SLAM як основний, vSLAM як резервний і для візуальної верифікації.
| Сенсор | LiDAR | Камера | IMU |
|---|---|---|---|
| Роль | Основний SLAM | Резерв + верифікація | Fusion з vSLAM |
| Приклад | Velodyne VLP-16 | Intel RealSense D435i | BMI088 |
Чому гібридний SLAM?
Тому що він забезпечує відмовостійкість: якщо один сенсор деградує, другий підхоплює. Порівняння: Cartographer перевершує ORB-SLAM3 за точністю в умовах низької освітленості на 20–30%, але поступається в текстурованих сценах. Гібридна система бере найкраще від обох світів.
Deep RL для навігації в динаміці
Класичні планувальники (A*, Dijkstra, RRT) добре працюють у статичному середовищі. Проблема — динамічні перешкоди: люди, рухомі візки, роботи-колеги. Тут підключається RL.
Формалізація задачі:
- Стан: локальна карта occupancy grid 64×64 навколо робота + швидкість + вектор до цілі
- Дії: лінійна швидкість [0, 0.8 м/с], кутова швидкість [-1.0, 1.0 рад/с]
- Нагорода: просування до цілі - штраф за близькість до перешкод - штраф за зупинку
Алгоритм: SAC (Soft Actor-Critic) — найкращий баланс дослідження/експлуатації для безперервних просторів дій. Навчання в симуляторі Gazebo/Isaac Sim, sim-to-real transfer через domain randomisation.
Як deep RL вирішує проблему динамічних перешкод?
Ключове завдання — передбачення траєкторій людей для соціально прийнятної навігації. Використовується Social Force Model та його нейромережеве розширення — 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 в стані «завмер перед людьми»
Для сервісного робота в ресторані або готелі PSI має бути < 1%, інакше користувачі сприймають його як агресивний. Ми гарантуємо досягнення цього показника через калібрування RL-нагороди та симуляцію з реальними даними.
Як забезпечується соціальна навігація?
Social navigation — це не лише уникнення зіткнень, а й дотримання соціальних норм: робот має об'їжджати людей зліва, не блокувати проходи, не підходити надто близько до груп. Для цього в RL-нагороду додається штраф за вторгнення в personal space та бонус за дотримання «правої сторони». Додатково використовується соціальна карта — розподіл ймовірностей знаходження людей.
Детальніше про sim-to-real transfer
Domain randomisation: випадкові затримки датчиків (±50 мс), шум одометрії (5% помилка), випадкове розташування меблів (до 30 см зміщення). Це вчить політику бути робастною до реальних умов.
Multi-robot координація
При кількох роботах на майданчику виникають deadlock-ситуації. Рішення:
- Centralized: сервер планування (CBS — Conflict-Based Search) + ROS2 Nav2 Multi-robot
- Decentralized: ORCA (Optimal Reciprocal Collision Avoidance) — кожен робот самостійно вирішує конфлікти
- Hybrid: зональне розділення + локальний ORCA
Для складу з 10-20 роботами рекомендовано централізований CBS. Для відкритих торгових залів — децентралізований ORCA з м'якими зонами пріоритету.
Стек технологій
| Рівень | Компоненти |
|---|---|
| Hardware | Husarion ROSbot, Clearpath Husky, кастомна платформа |
| Middleware | ROS2 Humble, Nav2 |
| SLAM | Cartographer / ORB-SLAM3 |
| Planning | Nav2 + RL-політика для локального планування |
| Inference | NVIDIA Jetson AGX Orin / x86 + GPU |
| Fleet | ROS2 Fleet Management, Formant |
Pipeline розробки
- Фаза 1 (тижні 1–6): Вибір та налаштування SLAM-алгоритму під конкретний сенсорний пакет. Картування тестового приміщення, оцінка точності локалізації.
- Фаза 2 (тижні 7–14): Створення симуляційного середовища в Isaac Sim з реальними CAD-моделями приміщення. Навчання RL-агента навігації, 20–50 млн кроків симуляції.
- Фаза 3 (тижні 15–20): Sim-to-real transfer на фізичному роботі. Domain randomisation: випадкові затримки датчиків, шум одометрії, випадкове розташування меблів.
- Фаза 4 (тижні 21–26): Fleet management, моніторинг, інтеграція з операційними системами (PMS для готелів, WMS для складів).
Підсумкові метрики продакшн-системи: успішність місій > 97%, середня швидкість пересування 0.4–0.6 м/с у людних місцях, автономна робота 8–12 годин на одному заряді.
Що входить в роботу
- Аналіз приміщення та вимог до навігації
- Вибір та калібрування сенсорів (LiDAR, камери, IMU)
- Розробка та налаштування SLAM-алгоритму (Cartographer/ORB-SLAM3)
- Створення симуляційного середовища та навчання RL-політики
- Sim-to-real transfer та налагодження на фізичному роботі
- Інтеграція з ROS2 та fleet management
- Документація, навчання ваших інженерів, підтримка 3 місяці
Зв'яжіться з нами для консультації щодо вашого проєкту. Замовте оцінку сценарію — запропонуємо оптимальну архітектуру під ключ. Отримайте детальний пайплайн та розрахунок термінів індивідуально.