Uma estrutura que permite que robôs de quatro patas sigam um líder em condições diurnas e noturnas

Os robôs com pernas têm vantagens significativas em relação aos robôs com rodas e trilhos, principalmente quando se trata de se mover em diferentes tipos de terreno. Isso os torna particularmente favoráveis ​​para missões que envolvem transporte de mercadorias ou viagens de um lugar para outro.

Uma abordagem promissora que permite que robôs com pernas enfrentem efetivamente essas missões, particularmente aquelas que envolvem viagens de longa distância, envolve ensiná-los a seguir um “líder”, seja um veículo específico ou um agente humano. No entanto, isso pode ser difícil de conseguir, especialmente sob todas as condições de iluminação e atmosféricas.

Pesquisadores da Universidade de Shandong, na China, desenvolveram recentemente uma nova estrutura que pode fornecer robôs de quatro patas com habilidades de seguir líderes em condições noturnas e diurnas. Essa estrutura, introduzida no MDPI Biomimética revista, é baseado na tecnologia de detecção visual e LiDAR.

“Seguir o líder pode ajudar os robôs quadrúpedes a realizar tarefas de transporte de longa distância”, escreveram Jialin Zhang, Jiamin Guo, Hui Chai, Qin Zhang, Yibin Li, Zhiying Wang e Qifan Zhang em seu artigo. “No entanto, o seguimento de longo prazo tem que enfrentar a mudança do dia e da noite, bem como a presença de interferência. Para resolver este problema, apresentamos um método de seguimento de líder diurno/noturno para robôs quadrúpedes em busca de robustez e tolerância a falhas. em ambientes complexos”.

Para serem eficazes, as estruturas de acompanhamento de líderes devem permitir que os robôs detectem e identifiquem com precisão pessoas específicas sob diferentes condições de iluminação, para que possam segui-las até o local desejado. O método proposto por Zhang, Guo e seus colegas consegue isso usando três módulos diferentes: um módulo de detecção de pessoas, um de comunicação e um de controle de movimento.

“Construímos uma estrutura de algoritmo Adaptive Federated Filter, que funde o método de acompanhamento de líder visual e o algoritmo de detecção LiDAR baseado na intensidade reflexiva”, escreveram Zhang e seus colegas em seu artigo. “Além disso, a estrutura usa o filtro de Kalman e ajusta de forma adaptativa o fator de compartilhamento de informações de acordo com a condição de luz. Em particular, a estrutura usa detecção de falhas e informações de multissensores para alcançar o acompanhamento do líder dia/noite de forma estável.”

Uma característica única da estrutura de acompanhamento de líder introduzida pelos pesquisadores é o uso de um algoritmo de detecção e isolamento de falhas, projetado para melhorar significativamente seu desempenho em condições diurnas e noturnas. Este algoritmo baseia-se nos dados recolhidos por vários sensores diferentes e em cálculos efetuados por um algoritmo de deteção, que lhe permitem adaptar-se a vibrações de alta frequência, diferentes níveis de iluminação e possíveis interferências visuais causadas por materiais refletores no ambiente circundante.

Zhang, Guo e seus colegas avaliaram sua estrutura proposta em uma série de testes usando o SDU-150, um robô quadrúpede desenvolvido na Universidade de Shandong. Esses testes renderam resultados muito promissores, pois o robô foi capaz de identificar líderes de forma confiável e eficaz em vários cenários. O robô foi testado em ambientes internos e externos, de dia e de noite e sob diferentes condições de iluminação.

No futuro, a estrutura de acompanhamento de líderes desenvolvida por essa equipe de pesquisadores pode ajudar a melhorar as habilidades de acompanhamento de líderes de outros robôs existentes e recém-desenvolvidos. Além disso, poderia potencialmente inspirar o desenvolvimento de abordagens semelhantes projetadas para aprimorar a capacidade dos robôs de detectar e rastrear alvos específicos sob diferentes condições de iluminação.

“O próximo passo combinará a fusão de sensores com o aprendizado profundo para realizar a fusão de vários sensores em nível de dados, o que melhora muito a precisão da detecção e se adapta à situação operacional de alta precisão”, concluem os pesquisadores em seu artigo.

© 2023 Science X Network