Učení a vnímaní robotu v částečně neznámem prostředí

Abstract

Mobilní roboty se v posledních letech stávají běžnou součástí záchranářských misí. Během nasazení je robot testován v extrémních podmínkách, jak ze senzorického hlediska (nízké osvětlení, prach nebo přítomnost hustého kouře), tak z hlediska pohybového (komplexní a často nerigidní terén). Metody vnímání (odhad terénu, segmentace scény) a metody řízení (překonání terénu, aktivní vnímání) pro roboty v extrémním podmínkách jsou hlavními tématy této práce. Znalost okolního terénu je klíčová pro mnoho robotických úloh. V rámci této práce prezentujeme metodu učení odhadu tvaru terénu z průjezdu robotu terénem. Navrhujeme novou ztrátovou funkci, která vynucuje tvar terénu konzistentní s pozicemi robotu (robot není v kolizi s terénem a je dostatečne podepřen). Dále navrhujeme metodu odhadu tvaru terénu pro extrémní případ, kdy robot nemá žádná exteroceptivní data. Tato práce se také zabývá metodou aktivního řízení speciálního hloubkového senzoru pro lepší rekonstrukci scény. Jednou z důležitých úloh záchranářské robotiky je detekce objektů a segmentace prostředí. V rámci této disertační práce je prezentována úloha aktivní segmentace prostředí z multimodálních dat. Pomocí řízení otočného termálního senzoru s nízkým zorným polem zvyšujeme přesnost detekce obětí. Navíc je zde popsána metoda učení robotu překonávat složitý terén, se zárukami na bezpečnost trajektorii během učení. Přidáním bezpečnostních omezení navíc dosahujeme i rychlejšího učení. Poslední část disertační práce popisuje naší účast na soutěži DARPA Subterranean Challenge, která otestovala algoritmy i schopnost vyvíjeného systému fungovat v reálném nasazení.

Mobile robots have become a standard part of search-and-rescue missions in recent years. Disaster environments push the robots to face extreme conditions from the sensory (low illumination, dust, or presence of dense smoke) and mobility point of view (complex and often nonrigid terrain). Deployment of the methods that help robot's perception (terrain estimation, object segmentation) and control (terrain traversal, active perception) in such an environment is the main focus of this dissertation thesis. Knowing the robot's surroundings is a crucial feature for many robotics tasks. We present the self-supervised learning of terrain shape estimation from the robot's traversal trajectories. Our novel loss function forces the terrain prediction to be consistent with the robot poses (the robot is not in the collision and has sufficient support). An extreme case of terrain prediction without any exteroceptive data is also discussed. Moreover, we describe our active perception method that controls the special depth sensor to obtain better terrain reconstruction. Victim detection and segmentation in search-and-rescue missions are crucial tasks that motivated us to develop an active perception method for learning control and segmentation from multi-modal data. The victim segmentation accuracy is improved by cleverly controlling the pan-tilt thermal sensor unit with the limited field of view. Traversing the harsh terrain is a challenge in these scenarios. The reinforcement learning procedure of terrain traversal needs many real rollouts, which can endanger the robot. To tackle this issue, we propose a constrained policy search method that considers safety; it prevents the robot from being damaged and helps the faster convergence. The last part of this dissertation thesis describes our participation in the DARPA Subterranean Challenge, which tested the ability of our developed system to work in actual search-and-rescue-like missions.