En el campo de la fabricación de equipos de alta gama, para que los robots se apliquen con éxito en entornos reales más amplios, una capacidad de navegación segura, confiable y de cambio rápido es crucial. Sin embargo, en las últimas décadas, aunque los expertos en robótica y científicos de la computación han introducido varias tecnologías computacionales para la navegación robótica, muchas de ellas se desempeñan pobremente en entornos dinámicos, caóticos o con caminos estrechos.

Recientemente, investigadores del Instituto de Investigación de Huzhou de la Universidad de Zhejiang han logrado un progreso importante, lanzando un nuevo método de navegación robótica basado en redes neuronales profundas y técnicas de optimización clásicas; el esquema relacionado se publicó en la revista Science Robotics, con el objetivo de replicar artificialmente la capacidad de orientación humana.

El primer autor del artículo, Han Zhichao, le dijo a Tech Xplore que la motivación de la investigación es desarrollar un planificador de trayectorias que opere de manera robusta en entornos complejos arbitrarios, mientras respeta las restricciones no holonómicas de los robots. El equipo de investigación se inspiró en el razonamiento humano: los humanos suelen identificar intuitivamente rutas aproximadas en entornos complejos, incluso si no son óptimas o completamente seguras. Para esto, implementaron una red neuronal liviana para simular este proceso.

Sin embargo, aunque las redes neuronales artificiales se desempeñan bien en varias tareas, sus resultados predictivos suelen ser difíciles de explicar, y muchas tecnologías basadas en estas redes son difíciles de generalizar a escenarios amplios. Para superar estas limitaciones, Han Zhichao y sus colegas combinaron redes neuronales profundas con un optimizador de trayectorias espaciotemporales recién desarrollado para refinar aún más las trayectorias y rutas generadas por la red neuronal.

El profesor Han introduce que el marco de planificación jerárquico propuesto por el equipo tiene dos objetivos clave. Primero, en la etapa de planificación de ruta inicial, utilizar métodos basados en aprendizaje para reproducir la capacidad humana de “aprehender inmediatamente” rutas factibles en el entorno, asegurando tiempos de planificación estables y predecibles; segundo, asegurar que las rutas iniciales generadas por la red neuronal se conviertan en comandos de movimiento suaves ejecutables por robots reales, para lo cual el marco depende de técnicas de optimización numérica especializadas para mejorar trayectorias y rutas.

“El núcleo del algoritmo es imitar el proceso de planificación humana, donde la experiencia pasada es crucial en la planificación de rutas”, explica el profesor Han. El algoritmo aprende de grandes conjuntos de datos de demostraciones de expertos, destilando conocimiento previo en la red. Además, el planificador neuronal opera directamente en el dominio de imágenes idéntico a la representación del entorno, acelerando la velocidad de entrenamiento y mejorando el rendimiento de convergencia.

Pruebas preliminares muestran que el método de orientación desarrollado por Han Zhichao y sus colegas es más estable que métodos previos basados en redes neuronales. Independientemente del grado de complejidad del entorno, puede generar rutas de manera confiable para robots en un marco de tiempo fijo y predecible. En contraste, muchos métodos de planificación tradicionales requieren extensas búsquedas en línea, lo que retrasa el proceso de orientación en entornos dinámicos o desafiantes, ralentizando la velocidad de navegación robótica.

El profesor Han afirma que esta investigación combina efectivamente optimización numérica clásica con redes neuronales profundas, maximizando las ventajas de ambas y compensando sus deficiencias. Las redes profundas son eficientes pero carecen de garantías de completitud, mientras que los métodos clásicos son completos pero su rendimiento depende de la inicialización; la integración permite generar trayectorias espaciotemporales estables y de alta calidad en entornos desafiantes.

Actualmente, el método de orientación propuesto por el equipo de investigación se verificará experimentalmente en más plataformas de robots diferentes. En el futuro, se espera mejorar la capacidad de ejecución de robots en tareas complejas como operaciones de búsqueda y rescate, tareas logísticas y exploración en entornos dinámicos. El profesor Han también indica que el equipo planea abordar los desafíos de transferencia de simulación a realidad mejorando la fidelidad de la simulación y la robustez de la percepción, asegurando que los robots operen de manera segura, confiable y predecible en entornos reales diversificados y complejos, logrando finalmente una integración perfecta con la vida cotidiana humana e aplicaciones industriales.