Mieren-giinspireerde navigatiedoorbraak maakt kleine autonome robots mogelijk

Motion Design INSIDER

Timelapse-afbeelding van een van de paden gevlogen door de robot. (Afbeelding: De onderzoekers)

Heeft u zich ooit afgevraagd hoe insecten zo ver buiten hun huis kunnen gaan en toch hun weg terugvinden? Het antwoord op deze vraag is niet alleen relevant voor biologie, maar ook voor het maken van AI voor kleine, autonome robots. TU Delft drone-onderzoekers voelden zich geïnspireerd door biologische bevindingen over hoe mieren hun omgeving visueel herkennen en dat combineren met het tellen van hun stappen om veilig thuiskomen. Ze hebben deze inzichten gebruikt om een autonome navigatiestrategie te creëren voor kleine, lichte robots. De strategie stelt dergelijke robots in staat om na lange trajecten thuiskomen, terwijl ze extreem weinig berekening en geheugen vereisen (1,16 kB per 100 m). In de toekomst kunnen kleine autonome robots een breed scala aan toepassingen vinden, van voorraadmonitoring in magazijnen tot gaslekdetectie op industriële sites. De onderzoekers publiceerden hun bevindingen in Science Robotics, op 17 juli 2024.

Kleine robots, van tientallen tot een paar honderd gram, hebben het potentieel om veel interessante real-world toepassingen uit te voeren. Met hun lichte gewicht zijn ze extreem veilig zelfs als ze per ongeluk iemand aanraken. Omdat ze klein zijn, kunnen ze in smalle gebieden navigeren. En als ze goedkoop gemaakt kunnen worden, kunnen ze in grote aantallen worden uitgezet, zodat ze snel een groot gebied kunnen afdekken, bijvoorbeeld in een kas voor vroege plaag- of ziekte-detectie. Echter, zulke kleine robots autonom laten opereren is moeilijk, aangezien ze extreem beperkte middelen hebben vergeleken met grotere robots.

Een grote obstakel voor het gebruik van kleine robots is dat voor real-world toepassingen, ze in staat moeten zijn om zelf te navigeren met hulp van externe infrastructuur. Ze kunnen locatieschattingen van GPS-satellieten buiten of van draadloze communicatiebeacons binnen gebruiken. GPS kan alleen buiten gebruikt worden en kan zeer onnauwkeurig zijn in onoverzichtelijke omgevingen zoals in urbane canyons. En het installeren en onderhouden van beacons in binnenruimtes is tamelijk duur of simpelweg niet mogelijk, bijvoorbeeld in zoek-en-reddingsscenario's.

De AI nodig voor autonoom navigeren met alleen onboard middelen is ontwikkeld met grote robots zoals zelfrijdende auto's in gedachten. Sommige van deze benaderingen zijn afhankelijk van zware, energiehongerige sensoren zoals LiDAR, die niet gedragen of gevoed kunnen worden door kleine robots. Andere benaderingen gebruiken visiesensoren, die doorgaans proberen uiterst gedetailleerde 3D-kaarten van de omgeving te creëren. Echter, dat vereist grote hoeveelheden verwerking en geheugen, wat alleen door computers geleverd kan worden die te groot en energiehongerig zijn voor kleine robots.

Dit is waarom sommige onderzoekers zich tot de natuur hebben gewend voor inspiratie. Insecten zijn bijzonder interessant, aangezien ze over afstanden opereren die relevant kunnen zijn voor veel real-world toepassingen terwijl ze zeer schaarse waarnemings- en rekenmiddelen gebruiken. Insecten combineren het bijhouden van hun eigen beweging (odometrie) met visueel gestuurd gedrag gebaseerd op hun lage-resolutie, maar bijna omnidirectionele, visuele systeem (view memory).

Terwijl odometrie steeds beter begrepen wordt, zelfs tot op neuronale niveau, zijn de precieze mechanismen die ten grondslag liggen aan view memory minder goed begrepen. Daarom bestaan meerdere concurrerende theorieën over hoe insecten visie voor navigatie gebruiken. Een van de vroegste theorieën stelt een "snapshot" model voor, waarin een insect zoals een mier af en toe snapshots van zijn omgeving maakt. Later, wanneer het dichtbij de locatie in de snapshot aankomt, kan het zijn huidige visuele percept vergelijken met de snapshot en bewegen om de verschillen te minimaliseren. Dit stelt het insect in staat te navigeren, of 'thuiskomen', naar de snapshot-locatie, waardoor eventuele drift die onvermijdelijk opbouwt bij het alleen uitvoeren van odometrie, wordt verwijderd.

"Snapshot-gebaseerde navigatie kan vergeleken worden met hoe Hansel probeerde niet verloren te raken in het sprookje van Hansel en Gretel. Toen Hansel stenen op de grond gooide, kon hij thuiskomen, maar toen hij broodkruimels gooide die door vogels gegeten werden, raakte hij verloren. In ons geval zijn de stenen de snapshots," zei Tom van Dijk, eerste auteur van de studie. "Net als met een steen, voor een snapshot te werken, moet de robot dicht genoeg bij de snapshot-locatie zijn. Als de visuele omgeving te anders wordt van die op de snapshot-locatie, kan de robot in de verkeerde richting bewegen en nooit terugkomen. Daarom moet men voldoende snapshots gebruiken — of in het geval van Hansel voldoende stenen gooien. Aan de andere kant, stenen te dicht bij elkaar gooien zou Hansel's stenen te snel opgebruiken. In het geval van een robot, het gebruik van te veel snapshots leidt tot groot geheugenverbruik. Eerdere werken in dit veld hadden de snapshots typisch heel dicht bij elkaar, zodat de robot eerst visueel naar de ene snapshot kon thuiskomen en dan naar de volgende."

"De belangrijkste inzicht die onze strategie ten grondslag ligt, is dat u snapshots veel verder uit elkaar kunt plaatsen, als de robot tussen snapshots reist gebaseerd op odometrie," zei Professor Guido de Croon, co-auteur van het artikel. "Thuiskomen werkt zolang de robot dicht genoeg bij de snapshot-locatie komt, dat wil zeggen, zolang de odometrie-drift van de robot binnen het opvanggebied van de snapshot valt. Dit stelt de robot ook in staat om veel verder te reizen."

De voorgestelde insect-geïnspireerde navigatiestrategie stelde een 56-gram Crazyflie drone, uitgerust met een omnidirectionele camera, in staat om afstanden tot 100 meter af te leggen met slechts 1,16 kB. Alle visuele verwerking gebeurde op een kleine microcontroller.

"De voorgestelde insect-geïnspireerde navigatiestrategie is een belangrijke stap op de weg naar het toepassen van kleine autonome robots in de echte wereld," zei de Croon. "De functionaliteit van de voorgestelde strategie is meer beperkt dan die geboden door state-of-the-art navigatiemethoden; het genereert geen kaart en stelt de robot alleen in staat om terug te keren naar het startpunt. Nog, voor veel toepassingen kan dit meer dan genoeg zijn. Bijvoorbeeld, voor voorraadtracing in magazijnen of gewasmonitoring in kassen, kunnen drones uitvliegen, data verzamelen en dan terugkeren naar de basistatie. Ze kunnen missie-relevante afbeeldingen opslaan op een kleine SD-kaart voor post-verwerking door een server."

Bron