GenMOS: Multi-Objekt-Suche für Roboter in 3D-Räumen ermöglichen

Objektsuche ist eine grundlegende Fähigkeit für Roboter. Wir wollen, dass Roboter Objekte genauso einfach suchen können, wie sie jetzt in der Lage sind, Objekte zu erkennen oder sich zu bewegen. Bis jetzt gab's jedoch kein System, das es Robotern erlaubt, mehrere Objekte in einem dreidimensionalen Raum über verschiedene Roboter und Umgebungen hinweg zu suchen. Dieser Artikel stellt ein neues System namens GenMOS vor, das Robotern ermöglicht, Objekte im 3D-Raum zu suchen.

#GenMOS Überblick

GenMOS, was für Generalized Multi-Object Search steht, ist das erste System, das es Robotern erlaubt, mehrere Objekte in einem 3D-Bereich zu suchen, ohne auf einen bestimmten Roboter oder eine bestimmte Umgebung beschränkt zu sein. Dieses System nutzt Informationen aus drei Quellen: den Punktwolkenbeobachtungen des Roboters, den Ergebnissen der Objekterkennung und der Position des Roboters. Mit diesen Informationen erstellt GenMOS einen Plan, den der Roboter befolgen kann, um die Objekte effizient zu finden.

Das System verwendet Punktwolkendaten auf drei Arten:

1. Um zu verstehen, welche Teile des Bereichs möglicherweise blockiert sind.
2. Um eine Karte zu erstellen, wo Objekte sein könnten.
3. Um einen Graphen möglicher Standpunkte zu erstellen, die Hindernisse vermeiden.

#Bewertung von GenMOS

Um zu sehen, wie gut GenMOS funktioniert, wurde das System sowohl in Simulationen als auch mit echten Robotern getestet. Zum Beispiel konnte ein Boston Dynamics Spot-Roboter eine unter einem Sofa versteckte Spielzeugkatze in weniger als einer Minute finden. Das System wurde auch verwendet, um in einem grösseren Bereich, wie einer 25 Meter grossen Lobby zu suchen, indem 3D-Suche mit einem 2D-Ansatz kombiniert wurde.

Objektsuche ist wichtig für Roboter, da es ihnen bei verschiedenen Aufgaben wie Such- und Rettungsmissionen oder beim Finden von Objekten im Alltag helfen kann. Trotz anderer Fähigkeiten, die Roboter haben, wie Objekterkennung und Navigation, gab es bis jetzt kein einsatzbereites System zur Objektsuche.

#Herausforderungen bei der Objektsuche

Ein System zur Objektsuche zu erstellen, ist nicht einfach. In der realen Welt stossen Roboter auf viele Einschränkungen. Sie müssen mit unvollständigen Informationen arbeiten, was bedeutet, dass sie möglicherweise nicht alles sehen, wegen Hindernissen oder anderen Faktoren. Ausserdem kann die Zuverlässigkeit der Objekterkennung schwanken, was es schwer macht, dass der Roboter sicher sein kann, was er sieht.

Frühere Versuche, diese Probleme zu lösen, konzentrierten sich auf einfachere 2D-Umgebungen für eine einfachere Verarbeitung. Diese Lösungen konnten jedoch nicht leicht auf die komplexen 3D-Szenarien angewendet werden, denen Roboter oft gegenüberstehen.

#GenMOS Funktionen

GenMOS wurde so konzipiert, dass es unabhängig von der Art des Roboters oder der Umgebung funktioniert. Es ist im Grunde ein Server-Client-System. Der Server hält das Hauptmodell des Suchagenten, das Informationen über den gesuchten Bereich enthält, während der Client mit dem Roboter kommuniziert.

Die Aufgabe des Servers ist es, den Layout des Bereichs und eventuelle Hindernisse im Blick zu behalten, damit der Roboter seine Suchaktivitäten effizient planen kann. Der Client steuert die Aktionen des Roboters und gibt die Informationen zurück, die er während der Suche sammelt.

Zu Beginn richtet der Client die Suchumgebung ein, indem er dem Server Informationen über den Bereich sendet, und dann arbeitet der Roboter, indem er den Server fragt, welche Aktion als Nächstes ausgeführt werden soll, basierend auf den gesammelten Daten.

#Beobachtungen und Updates

Während sich der Roboter bewegt und Informationen sammelt, muss er ständig sein Verständnis des Bereichs aktualisieren. GenMOS erhält Daten vom Roboter und aktualisiert seine Annahmen darüber, wo Objekte sein könnten. Es sammelt volumetrische Beobachtungen (3D-Informationen über den Bereich), die berücksichtigen, was der Roboter sehen kann und was möglicherweise verdeckt ist.

#Effiziente Suchstrategien

Beim Einrichten des Suchbereichs verwendet GenMOS eine Struktur namens Occupancy Octree. Das erstellt eine detaillierte Darstellung des Bereichs, in der Knoten im Baum Plätze anzeigen können, die frei oder von Objekten belegt sind. Der Occupancy Octree hilft, blockierte Bereiche zu vermeiden, wenn der Roboter seinen nächsten Schritt plant.

Der anfängliche Glaube – oder Ausgangspunkt zur Einschätzung, was im Suchbereich ist – ist entscheidend. GenMOS nutzt vorherige Informationen, um sicherzustellen, dass die Annahmen über den Bereich die Realität widerspiegeln, die der Roboter suchen kann. Das geschieht, indem Punkte im Bereich abgetastet und Werte basierend auf Vorwissen angepasst werden, sodass das System flexibel für verschiedene Umgebungen ist.

#Planung von Standpunkten

Um die Bewegungen des Roboters zu planen, erstellt GenMOS einen Graphen möglicher Standpunkte. Dieser Graph umfasst Positionen, zu denen sich der Roboter bewegen kann, während er Hindernisse meidet. Jeder Standpunkt ist mit einem Wert verbunden, der die Wahrscheinlichkeit widerspiegelt, dort ein Objekt zu finden, basierend auf den Annahmen des Roboters.

Wenn der Roboter sich bewegen muss, wählt er aus diesen Standpunkten. Das System kann den Graphen neu abtasten, um sicherzustellen, dass neue Standpunkte immer basierend auf der sich ändernden Situation im Suchbereich verfügbar sind.

#Objekterkennung

GenMOS integriert Standardmethoden zur Erkennung von Objekten im 3D-Raum. Die erkannten Objekte werden als Begrenzungsrahmen dargestellt, die dem Roboter helfen, zu wissen, wo er seine Suche konzentrieren soll. Wenn der Roboter nicht über vollständige 3D-Erkennungsfähigkeiten verfügt, kann er trotzdem grundlegende Erkennungen auf Basis von Bildern nutzen, um seine Suche zu leiten.

Das Planen von Aktionen in GenMOS erfolgt mithilfe einer Methode namens POUCT. Diese Planungsmethode basiert auf Sampling und erlaubt es dem Roboter, seinen nächsten Schritt zu bestimmen, während er das Gesamtziel, die Objekte zu finden, berücksichtigt.

#Leistungsbewertung in Simulation

Die Effektivität von GenMOS wurde zuerst durch Simulationen überprüft. In diesen Tests wurden Roboter beauftragt, nach zwei virtuellen Objekten zu suchen. Die Suchumgebung variierte und verschiedene Techniken wurden analysiert, um herauszufinden, welche am besten funktionierte.

Die Ergebnisse zeigten, dass das System gut abschneidet, besonders wenn die Auflösung der Beobachtungsdaten hoch war und informierte Vorwissen eingesetzt wurde. Einfachere Planungsmethoden liessen den Roboter schneller bewegen, führten jedoch zu weniger erfolgreichen Suchen. Im Gegensatz dazu führte ein durchdachterer Ansatz zu besseren Ergebnissen beim Finden der Objekte.

#Tests mit realen Robotern

GenMOS wurde auch auf echten Robotern eingesetzt, wie dem Boston Dynamics Spot und dem Kinova MOVO. In realen Einstellungen gab es einen Testbereich mit Tischen, die Hindernisse schufen und sorgfältige Navigation erforderten.

In den Tests konnte der Spot-Roboter erfolgreich nach mehreren Objekten innerhalb einer begrenzten Zeit suchen. In einem Fall fand er eine Katze unter einem Sofa in weniger als einer Minute. Während MOVO langsamer war und Herausforderungen in der Agilität hatte, konnte er dennoch seine Suchaufgabe abschliessen.

Die Tests zeigten, dass Erkennungsfehler die Gesamtleistung beeinträchtigen konnten. Manchmal plante das System gut, aber sein Objekterkenner verpasste ein Objekt, was zu erfolglosen Suchen führte.

#Zukünftige Richtungen

Wenn man in die Zukunft schaut, wäre es sinnvoll, GenMOS mit anderen Systemen zu kombinieren, um seine Suchfähigkeiten für noch grössere Bereiche zu verbessern. Eine Idee wäre, die 3D-Suchprozesse mit einem umfassenderen 2D-Planungssystem zu verbinden, das dem Roboter effektiver helfen kann.

Zukünftige Verbesserungen könnten auch darauf abzielen, gesunden Menschenverstand und Interaktion mit der Umgebung zu integrieren, um besser mit den Komplexitäten realer Suchen umzugehen.

#Fazit

Wir haben GenMOS vorgestellt, ein bahnbrechendes System, das es Robotern ermöglicht, nach mehreren Objekten in 3D-Räumen zu suchen. Dieses System wurde sowohl in Simulationen als auch mit echten Robotern getestet und zeigt seine praktische Anwendbarkeit. Die Arbeit öffnet die Tür für weitere Fortschritte in der Robotersuche und -erforschung und verwandelt eine einst komplexe Aufgabe in etwas, das für Roboter aller Art handhabbar ist.