Crédito: Universidad Carnegie Mellon
Los árboles, la vegetación, las rocas, el terreno impredecible y la falta de carreteras claramente definidas, o caminos en absoluto, no detuvieron un vehículo autónomo y todoterreno desarrollado por investigadores del Instituto de Robótica de la Universidad Carnegie Mellon.
A medida que los taxis autónomos, los camiones y otros vehículos aparecen en las calles y las carreteras de la ciudad, los desafíos quedan para vehículos autónomos diseñados para minería, búsqueda y rescate, gestión de incendios forestales, exploración, defensa y otros usos que pueden llevarlos a un terreno impredecible y todoterreno. Los vehículos autónomos se basan en mapas definidos, leyes de tráfico, letreros y marcadores de calles para navegar en ciudades, suburbios y las carreteras interestadas. Pero esa información no está disponible para el vehículo autónomo todo terreno que se acelera en un campo abierto o desierto.
Navegar con éxito en terreno todoterreno requiere un vehículo que pueda interpretar su entorno en tiempo real. La mayoría de los sistemas actuales requieren meses de etiquetado de datos dirigido por humanos, diseño y pruebas de campo. El equipo de Tartandriver en The Airlab, un laboratorio de investigación de RI que se especializa en autonomía de vanguardia, creó una nueva pila de autonomía auto-supervisada que permite a los vehículos atravesar terrenos complejos de forma segura con velocidad y precisión sin la necesidad de intervención humana que consumen mucho tiempo.
“Al combinar el poder de los modelos fundamentales y la flexibilidad de la auto-supervisión, el aerlab de CMU está empujando los límites de la conducción autónoma en terrenos desafiantes”, dijo Wenshan Wang, científico de sistemas con el aerlab y miembro del equipo de Tartandriver. Los modelos de la Fundación pueden reconocer características naturales como hierbas y árboles altos sin que los investigadores tengan que etiquetar todo ellos mismos, lo que hace que el proceso de recopilación de datos sea mucho más eficiente.
El equipo se centró en tres principios clave: auto-supervisión, multimodalidad y conciencia de incertidumbre. Equiparon su ATV con sensores LIDAR para detectar objetos, cámaras, unidades de medición inerciales (IMU), sensores de viaje de choque, codificadores de ruedas y más. El sistema resultante abarca la auto-supervisión para navegar por sí solo con el aprendizaje de refuerzo inverso de los datos de percepción multimodal para aprender a dónde ir y equilibrar el riesgo y el rendimiento.
“Dado que no hay un mapa o GPS previo, nuestro sistema se basa en SLAM (localización y mapeo simultáneo) para rastrear la posición y construir una comprensión local del entorno en tiempo real”, dijo Micah Nye, miembro de la maestría en la ciencia de la robótica (MSR) miembro del equipo de tartandriver. “Esto permite una percepción constante entre terrenos que tienen diferentes entornos visuales”.
El equipo implementó su sistema en un ATV de lado a lado y probó sus habilidades en varios terrenos complejos, incluidos campos de césped, caminos rocosos e inclinaciones variables. El vehículo pudo navegar con éxito los entornos y ajustarse a los cambios sin corrección humana. A continuación, el Airlab está presionando por el éxito en condiciones más desafiantes al agregar nuevos sensores a su carga útil, como las cámaras térmicas.
“Las cámaras térmicas detectan calor en lugar de luz, lo que nos permite ver a través del humo y en otras condiciones visualmente degradadas”, dijo Yifei Liu, estudiante de MSR y miembro del equipo en Tartandriver.
Más allá del ATV, el equipo también ha comenzado a probar la pila de autonomía en las sillas de ruedas motorizadas cuadrúpedas y urbanas, ampliando sus capacidades en nuevas plataformas y entornos.
Proporcionado por la Universidad Carnegie Mellon
Cita: Tomar conducir autónomo fuera de carretera para minería, búsqueda y rescate, exploración (2025, 1 de mayo) Recuperado el 1 de mayo de 2025 de https://techxplore.com/news/2025-05-autónomo-road-exploration.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
