Kan AI navigere ukendt terræn og hente et lille objekt på under 5 minutter ?

Hvad kræver det at guide en maskine gennem et ukendt rum og samle en lille genstand inden for en stram tidsfrist? Udfordringen tester robotens evne til at sanser, planlægge og handle under stramme begrænsninger uden træning i situationen.

Background

Robot-hunde, droner og andre autonome platforme bliver rutinemæssigt sat til at udføre søgnings- og redningsmissioner samt at hente varer i lagre. En central AI sammenstiller typisk data fra ombordværende sensorer (LiDAR, kameraer, IMU) med aktuatorkommandoer for at lokalisere og fysisk hente de angivne genstande. Feltrapporter bemærker, at de fleste nutidige systemer vakler, når de konfronteres med hurtigt skiftende forhindringer, der gør tidligere indlærte kort eller bevægelsesplaner ugyldige.

Fysisk navigation og genstandshentning i ukendte, rodede miljøer med hårde tidsbegrænsninger er en længe stående benchmark inden for robotik. Systemer skal integrere realtidsopfattelse (LiDAR, vision, taktil sansning) med planlægning og kontrol for at nå en målposition uden forudgående kort, undgå kollisioner og gribe små, muligvis ikke-modellerede genstande. Benchmarks som DARPA Subterranean Challenge og RoboCup@Home har anvendt tidsbegrænsede forsøg til at stress-testere autonomipipelines under usikkerhed. Nylige firebenede og hjulbaserede platforme udstyret med ombordværende GPU’er har demonstreret end-to-end navigations- og grebsløb inden for femminuttersvinduer ved at kombinere indlærte navigationspolitikker med modulære manipuleringsstakke. Forskningen er gået fra laboratorieindstillinger med kendte genstande til feltforsøg, hvor robotter henter navnløse genstande i kontorer og scenarier, der minder om katastrofehåndtering. Data viser, at succesrater og tidsforløb varierer stærkt med miljøets kompleksitet og genstandenes synlighed. Vanskelighederne stiger brat, når belysningen er dårlig, overfladerne ujævne, eller målet er skjult eller mindre end 5 cm på tværs.