Design of YOLOv8-SLAM Robot Path Planning Method for Outdoor Complex Environments

Stel je een robot voor die probeer door een druk stadspark te lopen. Voor een mens is het pad duidelijk: stap om een persoon op een bankje heen, wacht tot een fietser voorbij is, en blijf bewegen richting de fontein. Voor een machine is deze scène een chaotische storm van data. De robot moet onmiddellijk herkennen dat een bewegende vorm een persoon is en geen boom, begrijpen dat een geparkeerde auto een solide muur is waar hij niet doorheen kan, en een veilige route berekenen zonder tegen iemand op te botsen. Dit is de kernuitdaging van autonome navigatie in de echte wereld. Hoewel robots heel goed zijn geworden in het bewegen in lege kamers of op fabrieksvloeren, is het buiten een ander beestje. Het licht verandert, schaduwen rekken zich uit, en mensen en voertuigen bewegen onvoorspelbaar. Als een robot een klein kind dat een pad oversteekt niet kan zien of de afstand tot een rijdende auto verkeerd inschat, is het resultaat een botsing of een robot die vastloopt, niet wetend wat hij moet doen.

Jarenlang hebben ingenieurs geprobeerd dit op te lossen door aparte systemen te bouwen voor het zien, het weten waar ze zich bevinden en het plannen van de route. Eén systeem kijkt naar de camerabeelden om objecten te vinden, een ander gebruikt die beelden om een kaart van de omgeving te maken, en een derde bepaalt de beste route. Het probleem is dat deze systemen vaak geïsoleerd werken. Als het "ziende" systeem een klein bordje of een persoon in de verte mist, kan het "plannende" systeem de robot recht op hen afsturen. Als het "kaarten"-systeem in de war raakt door een rijdende auto, kan de robot denken dat de weg geblokkeerd is terwijl deze eigenlijk vrij is. Onderzoekers aan de Chuzhou Polytechnic in China hebben een nieuwe manier voorgesteld om deze complexiteit aan te pakken. Ze hebben een enkel, verbonden systeem ontwikkeld dat zien, mappen en plannen aan elkaar koppelt, zodat een fout in het ene gebied kan worden gecorrigeerd door de andere, waardoor een robot veilig door drukke buitenruimtes kan navigeren.

De onderzoekers begonnen met het verbeteren van hoe de robot de wereld ziet. Ze gebruikten een krachtige beeldherkennings-tool genaamd YOLOv8, die als een zeer snelle en scherpe set ogen werkt, maar ze maakten het slimmer voor moeilijke situaties. In een drukke buitenomgeving zijn kleine objecten zoals verkeerskegels, voetgangers in de verte of verkeersborden vaak moeilijk te spotten omdat ze minuscuul zijn of achter andere dingen verborgen zitten. Het team voegde speciale aandachtmechanismen toe aan de software, waardoor de robot intens wordt getraind om zich op deze kleine details te concentreren en de verwarrende achtergrondruis zoals wuivende boomtakken of verschuivende schaduwen te negeren. Ze gaven de robot ook het vermogen om de scène niet alleen te begrijpen als een verzameling vormen, maar als een kaart van verschillende soorten grond en obstakels, waarbij elke pixel van de afbeelding wordt gelabeld als ofwel een weg, een stoep, een persoon of een voertuig. Dit gedetailleerde begrip is cruciaal, want het vertelt de robot niet alleen waar dingen zijn, maar ook wat het zijn en of het veilig is om er dichtbij te bewegen.

Zodra de robot duidelijk kan zien, is de volgende uitdaging te weten waar hij precies is. Traditionele mappingsystemen gaan er vaak van uit dat de wereld stilstaat, zoals in een museum. Maar in een park of op een straat zijn mensen en auto's constant in beweging. Als een robot een kaart probeert te maken terwijl er een persoon langsloopt, kan hij in de war raken en denken dat de persoon deel uitmaakt van een gebouw, waardoor de robot zijn weg kwijtraakt. Het nieuwe systeem lost dit op door de gedetailleerde "ogen" die het zojuist heeft gebouwd te gebruiken om bewegende objecten te identificeren en deze tijdelijk te negeren terwijl het zijn positie bepaalt. Het controleert of een object beweegt door de positie over meerdere videoframes te vergelijken en te kijken naar de diepte in de scène. Als het systeem bevestigt dat iets beweegt, filtert het deze informatie eruit voordat het de kaart opbouwt. Dit stelt de robot in staat om een stabiele, nauwkeurige kaart van de statische wereld te maken, zelfs terwijl mensen en auto's om hem heen razen.

Met een helder zicht en een betrouwbare kaart moet de robot beslissen hoe hij beweegt. De onderzoekers ontwikkelden een tweestaps-planningsstrategie die werkt als een mens die vooruit denkt. Eerst kijkt de robot naar het grote plaatje om een algemene route van zijn startpunt naar zijn bestemming te vinden. Dit doet hij door niet alleen naar de kortste afstand te kijken, maar ook naar het "risico" van het pad. Er wordt gekozen voor een pad dat iets langer is maar door een rustig, open gebied gaat, boven een korter pad dat dwars door een menigte mensen snijdt. Vervolgens past een tweede, sneller systeem, terwijl de robot beweegt, constant zijn stappen aan om plotselinge obstakels te vermijden. Als een voetganger onverwacht het pad op stapt, berekent dit lokale systeem onmiddellijk een nieuwe, veilige traject om hen te ontwijken zonder de hele reis te onderbreken. De twee systemen praten voortdurend met elkaar, waardoor ze ervoor zorgen dat het langetermijndoel van de robot en zijn directe veiligheid altijd synchroon lopen.

Het team heeft deze nieuwe aanpak op verschillende manieren getest, van computersimulaties tot praktijktests op een campus. In simulaties vol met bewegende obstakels slaagde het nieuwe systeem er 95,31% van de tijd in om het doel te bereiken, wat aanzienlijk beter is dan oudere methoden die worstelden met botsingen of het kwijtraken van de weg. Toen ze de robot op echte campuswegen lieten rijden met werkelijke voetgangers, geparkeerde auto's en kronkelende paden, waren de resultaten nog indrukwekkender. De robot voltooide 57 van de 60 navigatieruns zonder iets te raken of vast te lopen, een succespercentage van 95%. Het legde ook gemiddeld een kortere afstand af en maakte minder bijna-botsingen dan de andere geteste systemen. De robot was in staat om kleine objecten zoals verkeersborden en fietsen van veraf te spotten, de verwarring van bewegende mensen te negeren en een vloeiend, veilig pad door de chaos te vinden.

Dit werk suggereert dat de sleutel tot betrouwbare buitenrobots niet alleen ligt in het beter maken van elk onderdeel van het systeem, maar in het laten samenwerken van deze onderdelen als één intelligent geheel. Door het vermogen om kleine details te zien, het vermogen om bewegende afleidingen te filteren en het vermogen om veilige routes te plannen te verbinden, hebben de onderzoekers een systeem gecreëerd dat de onvoorspelbaarheid van de echte wereld veel beter aan kan dan voorheen. Hoewel het systeem nog steeds uitdagingen kent bij extreem weer of zeer dichte menigten, tonen de resultaten een duidelijke weg vooruit. De robot volgt niet langer alleen een vooraf geprogrammeerde lijn; hij begrijpt zijn omgeving, voorspelt wat erه mogelijk gaat gebeuren en neemt slimme beslissingen om waar hij naartoe moet gaan.