Алгоритмы обучения позволяют роботам адаптироваться к новым ситуациям и набираться опыта. Обучение может быть применено различными способами для улучшения навигации, например, изучение проскальзывания местности и проходимости для улучшения мобильности или во избежание застревания, под наблюдением человека и байесовыми оценками. Глубина обучения по монокулярным изображениям или изучению естественных и искусственных образов.
Алгоритмы обучения могут также использоваться для расширения диапазона стереозрения с ближним и дальним обучением, изучения внешнего вида местности и препятствий с использованием цветовых характеристик, случайных полей Маркова, подходящих функций и линейного вектора поддержки, или с использованием обратного оптического потока. Обычно обучаемые в автономном режиме, функции также можно изучать в режиме онлайн, чтобы обеспечить постоянную адаптивность.
Навигационное программное обеспечение, разработанное CMU/NREC, называемое "Baseline", использовалось правительственной группой тестирования для измерения улучшений во время ежемесячных тестов. Базовую систему можно рассматривать в качестве эталона, отражающего современное состояние дел примерно в конце 2004 года. Он основан на стереозрении среднего радиуса действия, декартовой/сетевой карте, содержащей баллы проходимости, и алгоритме инкрементного долгосрочного планирования.
В программе PerceptOR, разработанной в CMU, которая предшествовала программе LAGR, был рассмотрен ряд вопросов, которые беспокоили базисную систему. Была предложена многодиапазонная архитектура, но она использовалась только для планирования. Был использован аналогичный маневренный местный планировщик. Наконец, были использованы только два уровня планирования: локальное и глобальное сетевое планирование, в то время как мы выступаем за дополнительный промежуточный уровень долгосрочного, но локального видения и планирования в сочетании с глобальным топологическим планированием.
Ключевым недостатком подходов декартовой карты проходимости является то, что они очень чувствительны к точности, с которой робот локализован на карте. Это довольно прискорбно, поскольку GPS-привязки могут быть неточными и даже отсутствовать (например, в густо заросших лесами районах).
Системная архитектура
Модуль заполняет декартовую карту с радиусом 5 метров и разрешением 20 см, ориентированную на робота. Модуль использует простой стерео алгоритм на 160x120 парах изображений. Сначала определяется плоскость грунта, а область помечена как препятствие, если многие точки внутри этой области находятся опасным образом над плоскостью грунта. Карта используется подсистемой планирования траекторий на основе маневров. Лучший путь от каждой точки роботизированной окружности радиусом 2,5 м к каждой точке радиусом 5 м рассчитывается с помощью Dijkstra. Затем для каждой точки в радиусе 5 м модуль планирования второго уровня рассчитывает стоимость цели. Планировщик маневров ищет в репертуаре маневры (регистрируются скорости движения колес, собранные в ходе телеопераций и автономной навигации), начальные состояния которых соответствуют текущему динамическому состоянию (скорости движения колес) робота. Затем он выбирает маневр, который имеет наименьшие общие затраты на достижение цели, оставаясь при этом в стороне от смертоносных препятствий.
Точное определение ориентации робота на карте имеет первостепенное значение. Ошибка в ориентации оказывает катастрофическое влияние на четкость карты, так как по мере вращения робота препятствия смазываются по всей карте. Поскольку колеса часто скользят по земле, а IMU быстро дрейфует, простой и эффективный модуль визуальной одометрии вращения (VO) оценивает угол, на который робот вращается со времени последней рамы.
Модуль VO отслеживает ряд отличительных окон на удаленных объектах вблизи горизонта от одного кадра к другому.