Universal Navigation Interface: Robot-Free Data for Wheeled Robot Navigation

Mobiele robots vinden steeds vaker hun weg in ons dagelijks leven, met de taak om pakketjes te bezorgen, infrastructuur te inspecteren of mobiliteitsondersteuning te bieden aan mensen die dat nodig hebben. Om deze machines veilig door de drukke, ongelijke wereld van stadssidewalks te laten bewegen, moeten ze leren navigeren zoals mensen dat doen: door hun omgeving te observeren en te beslissen waar ze als volgende heen gaan. De meest effectieve manier om een robot deze vaardigheid aan te leren, is door het duizenden voorbeelden van succesvolle reizen te tonen, een proces dat bekend staat als het verzamelen van navigatiegegevens. Traditioneel gezien was het verzamelen van deze gegevens een traag en kostbaar proces, waarbij onderzoekers een robot fysiek door buurten moesten rijden, waarbij elke bocht en elk obstakel zorgvuldig werd opgenomen. Deze methode beperkt de hoeveelheid verzamelde gegevens en beperkt de variëteit aan omgevingen waar een robot van kan leren, aangezien het verplaatsen van zware, gespecialiseerde apparatuur naar elke nieuwe locatie vaak onpraktisch is.

De kernuitdaging ligt in het vinden van een manier om een robot te leren hoe hij moet bewegen zonder de robot zelf daadwerkelijk te gebruiken. Als een mens simpelweg een pad zou kunnen lopen en dat pad vervolgens geregistreerd zou worden, zou het veel gemakkelijker zijn om de enorme hoeveelheden informatie te verzamelen die nodig zijn om deze machines te trainen. Een eenvoudige menselijke wandeling is echter geen perfect substituut. Mensen kunnen gemakkelijk over stoepranden stappen, trappen beklimmen of door nauwe openingen glippen die een wieltjesrobot nooit zou kunnen managen. Als een robot leert van een mens die een trap op liep, zou de robot kunnen proberen hetzelfde te doen, wat tot een botsing leidt. De oplossing vereist een methode die menselijke beweging vastlegt, maar fysiek voorkomt dat onmogelijke routes worden verzameld, zodat de gegevens reflecteren wat een wiel daadwerkelijk kan doen.

Onderzoekers aan de Northeastern University hebben een nieuwe aanpak geïntroduceerd genaamd de Universal Navigation Interface, die dit probleem oplost door gebruik te maken van een veelvoorkomend stuk apparatuur: een vierwielige rollator. Dit hulpmiddel, dat vaak wordt gebruikt door mensen die stabiliteit nodig hebben tijdens het lopen, dient als een fysiek filter voor de gegevens. Wanneer een persoon de rollator voortduwt, wordt deze van nature naar paden geleid die veilig zijn voor wielen. De rollator kan geen trappen beklimmen, hij kan geen onafgewerkte stoeprand beklimmen en hij past niet door openingen die te smal zijn. Deze fysieke beperking dwingt de gebruiker om te kiezen voor hellingen, stoeprandverlagingen en brede doorgangen, waardoor de menselijke demonstratie effectief wordt gestuurd naar routes die haalbaar zijn voor een wieltjesrobot. Het systeem is opmerkelijk eenvoudig en goedkoop, bestaande uit de rollator zelf en een standaard smartphone die op het stuur is bevestigd. De smartphone registreert een gesynchroniseerde stroom van visuele en ruimtelijke gegevens, inclusief kleurenbeelden, diepte-informatie en bewegingssensoren, wat een rijk verslag van de reis creëert.

Met deze opstelling verzamelde het team meer dan zevenendertig kilometer aan navigatiegegevens in drie verschillende steden. Ze liepen door diverse stedelijke omgevingen en kwamen alles tegen, van nat wegdek en bouwzones tot drukke voetgangersoversteekplaatsen en ritten in liften. Omdat de rollator de gebruikers fysiek voorkwam om te proberen trappen te beklimmen of onafgewerkte stoepranden over te steken, is de resulterende dataset van nature vrij van de soorten onmogelijke manoeuvres die andere door mensen verzamelde gegevens vaak teisteren. De onderzoekers verwerkten vervolgens deze opnames om precieze, metrische trajecten te extraheren—in essentie een kaart van exact waar het apparaat zich bewoog in werkelijke afstanden. Ze gebruikten de diepte-informatie van de sensoren van de smartphone om de bewegingsgegevens te verankeren aan de fysieke wereld, waardoor de afstanden nauwkeurig waren in plaats van slechts relatieve schattingen.

De echte test voor deze methode was of de gegevens een robot daadwerkelijk beter konden laten navigeren. De onderzoekers namen bestaande navigatiemodellen, die de softwarematige hersenen zijn waarmee robots kunnen bewegen, en verfijnden deze met de nieuwe, via de rollator verzamelde gegevens. De resultaten waren significant. Wanneer deze modellen werden getest op onbekende paden, verbeterde hun vermogen om de juiste route te voorspellen met bijna vijfentwintig procent vergeleken met hun eerdere prestaties. Deze verbetering bleef standhouden bij drie verschillende soorten navigatiemodellen, wat suggereert dat de methode robuust en breed toepasbaar is. Bovendien legde de data natuurlijke pauzes vast, zoals wachten bij een voetgangersoversteekplaats of voorrang verlenen aan een voetganger, zaken die vaak uit andere datasets worden gefilterd maar cruciaal zijn voor veilig robotgedrag. Wanneer de modellen werden getraind om deze stationaire momenten te herkennen, verbeterde hun vermogen om te voorspellen wanneer ze moesten stoppen drastisch, waarbij de fouten in die situaties met meer dan zestig procent werden verminderd.

Om te bewijzen dat deze kennis kon worden overgedragen van een eenvoudige loopwagen naar een complexere machine, testte het team de getrainde modellen op een elektrische rolstoel. In een reeks closed-loop experimenten kreeg de rolstoel de taak om obstakels zoals onafgewerkte stoepranden en trappen te naderen. Een versie van de software die niet getraind was op de rollator-gegevens, ging gewoon door, omdat deze de barrière niet herkende, en zou zonder menselijk ingrijpen zijn gecrasht. In tegenstelling hiertoe slaagde de rolstoel, uitgerust met de UNI-getrainde software, er bijna in elke test in geslaagde om vóór de obstakels te stoppen. Het identificeerde ook correct en zonder aarzelen de veilige stoeprandverlagingen om te passeren. Dit bewees dat de lessen geleerd van de eenvoudige, door mensen voortgeduwd rollator direct konden worden toegepast op een ander, complexer wieltjesplatform, zelfs toen het verzamelapparaat en de doelrobot niet hetzelfde waren.

De studie concludeert dat een eenvoudige, goedkope fysieke proxy effectief een dure robotische platform kan vervangen voor het verzamelen van navigatiegegevens. Door een rollator te gebruiken om menselijke demonstraties te beperken, creëerden de onderzoekers een dataset die zowel groot als fysiek realistisch is voor wieltjesrobots. Deze aanpak elimineert de noodzaak om een robot te bedienen tijdens de gegevensverzameling, waardoor het mogelijk wordt om meer diverse navigatievoorbeelden te verzamelen op veel meer locaties en onder veel meer omstandigheden dan voorheen haalbaar was. Hoewel de methode niet elke uitdaging in robotnavigatie oplost, biedt het een praktische en schaalbare manier om robots te leren hoe ze door de wereld bewegen, waarbij de kloof tussen menselijke intuïtie en machinecapaciteit wordt overbrugd.