Publicerad: 12 mars 2025 / UPDATE Från: 12 mars 2025 - Författare: Konrad Wolfenstein
Forskare Sepehr Samavi och prof. Angela Schoellig bredvid robotarna Jack - Bild: Astrid Eckert, Muenchen
Banbrytande arbete i robotik: Tum utvecklas framåt -ser robotar
Autonoma system: Hur man lär sig robotar för att interagera med människor
I en värld som utvecklas snabbt i riktning mot automatisering och konstgjord intelligens är autonoma system en allt viktigare del av vår vardag. Från självdrivande bilar till intelligenta hjälprobotar till högutvecklade industrianläggningar -maskinens förmåga att fatta självarbetslösa beslut och agera i komplexa miljöer förvandlar många områden i vårt liv. En särskilt spännande och utmanande disciplin inom robotik är utvecklingen av system som kan röra sig säkert och effektivt i dynamiska miljöer som befolkas av människor. Detta handlar inte bara om att undvika hinder, utan också om att förstå, förutsäga och reagera människors beteende för att säkerställa smidig och säker interaktion.
Exakt vid detta gränssnitt av robotik, konstgjord intelligens och mänskligt beteende, arbetar forskare från det berömda tekniska universitetet i München (TUM) högt tryck. I ditt inlärningssystem och robotlaboratorium, under ledning av professor Angela Schoellig, har du utvecklat en innovativ robot som heter "Jack", som kan navigera med anmärkningsvärd skicklighet och framsyn genom folkmassor. Det som skiljer Jack från många andra robotar är hans förmåga att inte bara uppfatta de omedelbara omgivningarna, utan också att aktivt tänka på hur människor kommer att röra sig och hur de kan reagera på sina egna rörelser. Detta framsynssätt sätt att tänka gör det möjligt för Jack att planera sig igenom livliga rum inte bara reaktivt, utan också proaktivt och intelligent.
Lämplig för detta:
- Flexibla och modulära supportsystem - Cobots (Collaborative Robots) och Autonomous Mobile Robots (AMRS) | Logistik och intralogistik
Utmaningen med navigering i folkmassorna
Navigering i folkmassor är en enorm utmaning för robotar som går långt utöver ett enkelt hinderundvikande. I motsats till statiska eller förutsägbara miljöer är folkmassorna dynamiska, oförutsägbara och kännetecknas av komplexa sociala interaktioner. Alla i mycket rör sig individuellt, men påverkar samtidigt andras rörelser. Detta ömsesidiga beroende, i kombination med den naturliga variationen i mänskligt beteende, gör det extremt svårt för robotar att röra sig säkert och effektivt.
Traditionella navigeringsalgoritmer för robotar, som ofta är baserade på styva regler och enkla sensordata, når snabbt sina gränser i sådana miljöer. De reagerar vanligtvis på hinder genom att plötsligt stoppa eller undvika, vilket kan leda till oönskade trafikstockningar, ineffektiva rutter eller till och med farliga situationer i en folkmassa. För att framgångsrikt flytta in folkmassorna behöver robotar därför en mycket mer progressiv form av intelligens, vilket gör att de kan förstå mänskligt beteende, att förutsäga och aktivt involvera deras navigeringsplanering.
Jacks innovativa tillvägagångssätt: Framåtblickande tänkande och interaktion
Robotuttaget som utvecklats av TUM -forskarna går ett avgörande steg utöver traditionella tillvägagångssätt. Hans kärna är en sofistikerad algoritm som gör det möjligt för honom att inte bara förstå människors rörelser i hans område, utan också att aktivt förutsäga och involvera sin egen ruttplanering. Professor Schoellig betonar den grundläggande skillnaden till konventionella metoder: "Vår robot modellerade hur människor kommer att reagera på hans rörelse för att planera sitt eget sätt. Detta är den stora skillnaden i andra tillvägagångssätt som vanligtvis ignorerar denna interaktion."
Denna förmåga att modellera interaktion är nyckeln till Jacks framgång. I stället för att bara betrakta människor som oförutsägbara hinder, ser Jack henne som en intelligent skådespelare vars beteende han ibland kan förutsäga och till och med påverka. Detta gör att han kan gå igenom folkmassor som liknar mänsklig navigering på många sätt. Han tvekar inte att flytta i luckor, förutser rörelserna från fotgängare och anpassar sin rutt dynamiskt för att undvika kollisioner och samtidigt uppnå sitt mål effektivt.
Sensor och datorkraft i interaktion
För att hantera denna krävande uppgift är Jack utrustad med högt utvecklade sensorer och datorkraft. Ett centralt element är en LIDAR -sensor (ljusdetektering och varierande), som permanent skickar laserstrålar in i området och får de reflekterade signalerna. Från dessa data skapar Lidar ett exakt 360-graders kort i miljön i realtid, som inte bara fångar statiska föremål, utan i synnerhet också människors position och rörelse. Lidar ger således roboten en detaljerad "bild" av dess omgivningar, som utgör grunden för sina navigationsbeslut.
Förutom Lidar har Jack sensorer i sina cyklar, som exakt mäter sin egen takt och avståndet täckt. Denna information är avgörande för att exakt bestämma din egen position i området och optimera navigeringens effektivitet. Alla sensordata behandlas av en kraftfull dator som kan utföra komplexa algoritmer i realtid. Den här datorn är "hjärnan" för Jack och ansvarig för analysen av sensordata, förutsägelsen av mänskliga rörelser och beräkningen av den optimala vägen.
Lämplig för detta:
- Innovativ mini -robot från Samsung: Hushållsrobot “Ballie Ai” gör Amazons Astro Robot och Enabot Ebo X -tävling
Algoritmen i detalj: Förutsägelse, planering och anpassning
Hjärtat i Jacks intelligens är navigeringsalgoritmen som utvecklats av TUM -forskarna. Denna algoritm fungerar i flera steg för att göra det möjligt för Jack att säkerställa säker och effektiv navigering i folkmassorna.
1. Uppfattning och datainsamling
Ursprungligen samlar Jack kontinuerligt data om sin omgivning med hjälp av sina sensorer. Lidar ger information om människors position och rörelse, medan hjulsensorerna ger data om robotens egen rörelse.
2. Förutsägelse av mänskliga rörelser
Baserat på de insamlade uppgifterna analyserar algoritmen rörelsemönstret för människorna i området. Han försöker förutsäga de troliga vägarna som människor kommer att ta över under de kommande sekunderna. Denna förutsägelse är baserad på statistiska modeller som har lärt sig av omfattande dataposter av mänskligt rörelsebeteende hos folkmassor.
3. Ruttplanering
Samtidigt planerar algoritmen den optimala vägen till robotens mål. Han tar inte bara hänsyn till människors förutsagda rörelser, utan också robotarnas egna färdigheter och begränsningar, såsom dess hastighet och manövrerbarhet. Målet är att hitta en rutt som leder till målet så snabbt och effektivt som möjligt utan att riskera kollisioner med människor.
4. Dynamisk anpassning
En central aspekt av algoritmen är dess förmåga att anpassa dynamiskt. Hela processen för datainsamling, förutsägelse och ruttplanering upprepas kontinuerligt ungefär tio gånger per sekund. Detta gör att Jack kan anpassa sin rutt till den ständigt föränderliga miljön i realtid. Denna höga anpassningsfrekvens är avgörande för att navigera i en dynamisk miljö med många människor säkert och effektivt, eftersom roboten känner igen människors sätt samtidigt och reagerar på hur TUM -forskaren Sepehr förklarar Samavi.
Lärande av mänskligt beteende: Nyckeln till mänsklig navigering
En annan avgörande aspekt av Jacks intelligens är hans förmåga att lära sig av mänskligt beteende. TUM -forskarna programmerade inte bara Jack med styva regler och algoritmer, utan gav honom möjligheten att kontinuerligt förbättra genom analysen av data om mänskligt rörelsebeteende.
Professor Schoellig förklarar att den matematiska modellen som planeringsalgoritmen är baserad från mänskliga rörelser och översattes till ekvationer. Algoritmen är därför inte baserad på abstrakta antaganden om mänskligt beteende, utan direkt på verkliga data som dokumenterar folkets rörelser. För att möjliggöra detta samlade forskarna omfattande dataposter som beskriver mänskligt beteende i olika situationer och miljöer och fungerar som lärarmaterial för Jack.
Genom att analysera dessa uppgifter lär Jack att känna igen, förutse typiska rörelsemönster för människor och att involvera sina egna beslut. Till exempel lär han sig att människor vanligtvis undviker när de är på väg mot ett hinder eller att de anpassar sin hastighet för att undvika en kollision. Dessa fynd flyter in i algoritmen och gör det möjligt för Jack att bete sig på ett sätt som liknar det intuitiva beteendet hos människor i folkmassor.
Ett konkret exempel på denna inlärningsprocess är Jacks hantering av potentiella kollisioner. En traditionell robot skulle vanligtvis stoppa omedelbart så snart han känner igen ett hinder, till exempel en person, på en kollisionskurs. Jack, å andra sidan, som har lärt sig av mänskligt beteende, reagerar mer annorlunda. Han beräknar också att människor vanligtvis kommer att anpassa sig och undvika för att undvika en kollision. Därför stannar han inte omedelbart utan fortsätter sin rörelse, samtidigt som man observerar människans reaktion. Endast om det finns tecken på att människor inte kommer att undvika, planerar Jack på kort varsel och väljer en alternativ rutt. Detta beteende är mycket mer effektivt och mer mänskligt liknande än det plötsliga stoppet för en traditionell robot.
Evolutionär utveckling: Från reaktiv för interaktiv
Utvecklingen av Jacks navigationsförmågor var en evolutionär process som gick in i tre steg. Varje nivå representerar framsteg i algoritmens komplexitet och intelligens.
Nivå 1: Reaktiv navigering.
I det första steget reagerade Jack endast på omgivningen. Han undgick hinder så snart han uppfattade dem utan att förutsäga eller förutse människors beteende. Detta steg var funktionellt, men ineffektivt och ledde ofta till plötsliga stopp och omvägar.
Nivå 2: Förutsägbar navigering.
I det andra steget utvidgades algoritmen för att förutsäga rörelse för mötande människor. Detta gjorde det möjligt Jack att navigera mer framåt och undvika kollisioner innan de var överhängande. Denna nivå var redan en betydande framsteg, men var fortfarande begränsad eftersom den till stor del ignorerade samspelet mellan robotar och människor.
Nivå 3: Interaktiv navigering.
Den nuvarande versionen av Jack representerar den tredje och mest avancerade utvecklingsnivån: interaktiv navigering. På denna nivå kan Jack inte bara förutsäga människors rörelser utan också aktivt ta hänsyn till hur människor kommer att reagera på sina egna rörelser. Han kan påverka människors beteende genom sitt eget beteende och samtidigt undvika kollisioner. Denna interaktiva förmåga är det avgörande genombrottet som gör Jack till ett riktigt intelligent och mänskligt liknande navigationssystem.
Forskaren Samavi förklarar att Jack kan förutsäga andras rörelser å ena sidan och samtidigt kan påverka deras handlingar genom sitt eget beteende samtidigt som de undviker kollisioner. Denna form av interaktiv navigering gör det möjligt för Jack att röra sig säkert, effektivt, socialt acceptabelt och intuitivt genom folkmassor.
Ansökningsområden: Från leveransrobotar till autonom körning
Den innovativa tekniken som finns i Jack har en enorm potential för en mängd olika applikationsområden. Även om Jack ursprungligen utvecklades som en forskningsplattform, tänker TUM -forskarna redan på konkreta möjliga användningar i den verkliga världen.
Leveransrobot
En nära applikation är leveransrobotar som autonomt kan leverera varor och paket i stadsmiljöer. Dessa robotar måste kunna röra sig säkert och effektivt på trottoarer, i fotgängare och i livliga stadskärnor. Jacks förmåga att navigera i folkmassor är av avgörande betydelse för detta. I framtiden kan autonoma leveransrobotar ge ett betydande bidrag till att lösa problem med ”sista milen” i logistik och lindra stadstrafik.
Lämplig för detta:
Rullstolar
En annan lovande tillämpning är integrationen av teknik i intelligenta rullstolar. Navigering i livliga miljöer kan vara en stor utmaning för personer med rörlighetsbegränsningar. En rullstol som är utrustad med Jacks Navigation Algoritm kan avsevärt förbättra dessa människors oberoende och livskvalitet. Rullstolen kan automatiskt undvika hinder, flytta säkert genom folkmassorna och föra användaren autonomt till önskad destination.
Autonom körning
Professor Schoellig ser autonom körning som ett särskilt relevant tillämpningsområde för interaktiv navigationsteknik. Det betonar att dessa interaktiva scenarier är en central utmaning. I komplexa trafiksituationer, till exempel när du trådar på motorvägar, när du vänder sig till korsningar eller när man hanterar fotgängare och cyklister, är det viktigt att inte bara planera din egen rörelse, utan också för att förutsäga beteendet hos andra trafikanter och att inkludera dem i sin egen planering. Teknologins förmåga för interaktiv navigering kan således ge ett betydande bidrag till utvecklingen av säkra och effektiva autonoma fordon. Som ett exempel leder det till gängning på en motorväg: när ett fordon kör på accelerationsmätaren för en motorvägsång, kommer många förare som kommer bakom förändringsspår eller bromsar något. Det är just i sådana situationer att det nya tillvägagångssättet gör det möjligt för reaktionerna från de andra trafikanterna att beaktas tillräckligt.
Humanoidrobot
Humanoidrobotar skulle kunna dra nytta av algoritmerna, särskilt inom områden som vård, service eller produktion där de arbetar nära med människor. För att användas och effektivt av människor är det viktigt att de kan navigera säkert och intuitivt i mänskliga miljöer. Men professor Schoellig hänvisar till en central utmaning: medan en rörlig robot helt enkelt kan stoppa vid behov, är humanoidrobotar för närvarande fortfarande ganska instabila och förlorar snabbt balansen. Förbättringen av stabiliteten hos humanidrobotar i dynamiska miljöer representerar ett viktigt forskningsområde som måste vidareutvecklas för att göra den fulla potentialen för interaktiv navigering också användbar för humanoidrobotar.
Avancerad robotnavigering: När Jack förstår mänskligt beteende
Forskningen av TUM inom området interaktiv robotnavigering representerar betydande framsteg på vägen till intelligenta och autonoma system som kan agera säkert och effektivt i mänskliga omgivningar. Robot Jack visar imponerande att det är möjligt att utveckla maskiner som inte bara uppfattar sin omgivning, utan också förstår mänskligt beteende, förutsäger och inkluderar dem i sina beslut. Denna förmåga att interaktiv navigering öppnar nya möjligheter för en mängd olika applikationer, från leveransrobotar till intelligenta rullstolar till autonom körning.
Utvecklingen av Jack är bara början. Forskning inom robotik och konstgjord intelligens fortskrider snabbt, och vi kan förvänta oss ytterligare spännande innovationer under de kommande åren och decennierna. Integrationen av robotar i vår vardag kommer att bli alltmer naturliga och autonoma system kommer att spela en allt viktigare roll i vårt samhälle. Det är därför av avgörande betydelse att vi gör utvecklingen av dessa tekniker ansvariga och tar hänsyn till de etiska och sociala aspekterna från början. Detta är det enda sättet vi kan se till att robotar och människor kan arbeta tillsammans till förmån för alla i framtiden.
Lämplig för detta:
Din globala marknadsförings- och affärsutvecklingspartner
☑ Vårt affärsspråk är engelska eller tyska
☑ Nytt: korrespondens på ditt nationella språk!
Jag är glad att vara tillgänglig för dig och mitt team som personlig konsult.
Du kan kontakta mig genom att fylla i kontaktformuläret eller helt enkelt ringa mig på +49 89 674 804 (München) . Min e -postadress är: Wolfenstein ∂ xpert.digital
Jag ser fram emot vårt gemensamma projekt.