učení průchodnosti ze zkušenosti mobilního roboru

Abstract

V nasazení autonomních mobilních robltů je kritické porozumět průchodnosti robotu terénem, kteréžto pomáhá robotu plánovat bezepčně, rychle, a energetikcy nenáročné cesty. Při aplikačním nasazení v zemědělství, lesnictví, nebo monitorovní prostřředí může robot nalézt terény, jejichž průchodnost není předem známám. Vizuální a geometrikcá podoba takových terénů může být navíc matoucí, jak lze pozorovat na příkladu vysoké trávy,jejíž známá geometrike nasvědčuje tomu, že takový terén jeneprůchozí překážkou. V této práce se navrhuje nasadit v takových prostředích samo se zlepšující systém pro ohodnocování průchodnosit terénem. Navržené systémy přísluší k blízko-dalekým metodám, které rozšiřují předchozí zkušenost robotu s průchodem terénem na zatím neprojité , vizuálně podobné terény. Práce je prezentována jako kolekce čtyř jádrových prací, které řeší tři identifikované výzkumné výzvy. První výzva je zaměřena na učení v samo se zlepšujícím systému ze zkušeností robotu s průchodem terénem a prezentuje bloky k řešení následujících části práce. Druhá výzva je zaměřena na aktivní učení průchodnosti v robotickém průzkumu, kde se samo se zlepšují vlastnosti systému realizauje v online rohodování kde se učit průchodnost a kde prohledávat prostřčdí. Třetí výzva rozšuřuje koncept průchodnosti na popis síly nutné k průchodem poddajnými překážkami.

Understanding mobile robots' traversability over terrains is a crucial component of outdoor autonomous systems, since knowledge of their traversability helps robots to plan safe, fast,and energy-e_cient paths. In deployments such as agriculture, forestry, or environment monitoring, a mobile robot can encounter terrains with a priori unknown traversability. The visual appearance and geometry of these terrains might be misleading, such as tall grass that appears as a rigid obstacle when only geometry is considered. The Thesis addresses these challenges by designing a self-improving traversability assessment system. The designed system follows the near-to-far paradigm, where the robot's prior traversal experience is extended to untraversed terrains based on similarities in visual appearance and geometry. The Thesis is presented as a collection of four core publications that address three identi_ed research challenges. The _rst challenge is focused on learning the traversal experience in a self-improving system, and represents a building block to solve the following challenges. The second challenge focuses on active traversability learning in mobile robot exploration, where the self-improving nature is realized by online decision-making concerning both where to learn the traversability and where to explore the spatial model. The third challenge extends the notion of traversability and thus the scope of the self-improving system through the description of the force to pass through the non-rigid obstacles.