Исследователи из университета Ка́рнеги — Ме́ллона (Carnegie Mellon University, CMU), Facebook и Университета Иллинойса в Эрбана-Шампейн (University of Illinois at Urbana-Champaign, UIUC) предлагают одномоментную активную нейронную локализацию и картирование (Active Neural Simultaneous Localization and Mapping, Active Neural SLAM), иерархический подход для обучения интеллектуальных агентов по обследованию окружающего пространства.
Специалисты полагают, что методы, которые лежат в основе Active Neural SLAM, помогут значительно улучшить технологии роботостроения. Например, одной из сложных задач является навигация. Трудность для автономных машин заключается не только в построении маршрута по загруженной карте, но и поиску путей к объектам. Также обучение машин навигации требует большого количества вычислений.
Active Neural SLAM предлагает задействовать необработанные сенсорные данные, такими как изображения с камер, и использует закономерности в макетах окружения, позволяя ему достигать или при лучшей производительности, без привлечения значительного количества обучающих данных. Помимо этого SLAM использует нейронный модуль, который включает Mapper, Pose Estimator и Planner.
Mapper отвечает за создание нисходящей пространственной карты окружения и прогнозирование препятствий, в то время как Pose Estimator делает прогноз положения агента на основе анализа предшествующих. Planner отвечает за постановку краткосрочных и долгосрочных целей на основе информации от предшествующих модулей.
Команда отметила, что Active Neural SLAM удалось почти полностью исследовать небольшие тестовые пространства примерно за 500 шагов по сравнению с базовыми показателями от 85% до 90% тех же мест, которые ИИ проделал за 1000 шагов. Базовые модели также имели тенденцию застревать в областях, и это указывает на их неспособность «запоминать» изучаемые окружения области с течением времени. Такой проблемы при тестировании ИИ Active Neural SLAM не обнаружилось.
Также ученые решили подтвердить высокие показатели, продемонстрированные ИИ Active Neural SLAM при моделировании и протестировали его, использовав робота Locobot. После настройки высоты камеры и вертикального поля зрения в соответствии с симуляцией Habitat, платформой Facebook с открытым исходным кодом, робот успешно обследовал жилое пространство квартиры.
Open-source Active Neural SLAM доступен на GitHub.
