Ученые из Университета Норт-Дам предложили навигационную систему для AUV, которая основана на объединении метода 3D-рендернинга (3DGS – 3D Gaussian Splatting) и байесовского вероятностного подхода. В память робота загружают карту подводной обстановки, представленную не «классическими» жесткими точками, а «размытыми» гауссовыми эллипсоидами, что лучше отражает естественную мутность воды.

Сопоставляя получаемые с камер визуальные данные, вычислительная платформа робота не только вычисляет координаты, но также оценивает степень уверенности в их корректности. Если показатель уверенности падает ниже порога, например, из-за плохой видимости или множества схожих объектов, аппарат самостоятельно принимает решение. Например, он может притормозить, вернуться в зону с более четкими ориентирами и перепроверить свою позицию. Тем самым робот избегает фатальных навигационных ошибок.

Технологию уже испытали – пока что в симуляторе HoloOcean, способном имитировать сложные причальные и рифовые ландшафты.

Сейчас ученые переносят системы на миниатюрный AUV, который используют в экспериментах по экологическому мониторингу.

Ключевая инновация – отказ от пассивного следования по предзаписанному маршруту в пользу восприятия окружающей среды и самостоятельных действий на основе получаемой информации – робот способен осознавать неполноту его картины мира и может действовать с целью ее уточнения.

💎 Почему я считаю эту разработку интересной?

Многие современные навигационные системы, даже визуального SLAM, страдают от избыточной «самоуверенности» - они рассчитывают координаты и считают их достоверными даже когда сцена распознана ошибочно. В условиях мутной, зашумленной и динамичной подводной среды это иногда приводит к накоплению ошибок, что иногда заканчивается даже потерей аппарата.

Предложенный подход призван фундаментально решать эту проблему, аппарат способен «самокритично» оценить качество своих оценок и, при необходимости, запустить компенсирующие действия.

По идее, это позволит создавать подводных роботов, которые будут лучше работать внутри сложных гидротехнических сооружений, в коралловых зарослях или под ледовым покрытием без использования внешних навигационных сетей. Это важно и для миссий, где связь с оператором отсутствует или ограничена.

Визуальной навигацией с элементами ML занимаются все активнее, правда, пока что больше в научных лабораториях, чем в компаниях, занимающихся разработкой и производством подводных роботов. Тот же метод 3DGS уже используют в надводной робототехнике. А вот о его комбинации с байесовской оценкой уверенности для подводной навигации я слышу впервые.

В России темами интеллектуальной навигации АНПА занимаются в ряде организаций, например, в ИПМТ ДВО РАН, МГУ им. Невельского, в Сколтехе. Но доминирующие подходы – детерминированные, либо с использованием классического байесовского фильтра. Впрочем, возможно мне просто не попадались публикации, где шла бы речь о внедрении 3D Gaussian Splatting в контур навигации подводных роботов с последующей количественной оценкой неуверенности, выливающейся в поведенческую стратегию.

Стоит взять на заметку этот подход?

((по материалам Hydro-International)) 

Где читать новости SeaRobotics:
► Подписаться на tg - SeaRobotics
► в VK - Морская робототехника
► на RoboTrends