Robotar har traditionellt förlitat sig enbart på visuell information för att navigera i sin omgivning, vilket kraftigt begränsat deras effektivitet i komplexa och oförutsägbara miljöer. Nu har forskare vid Duke University skapat ett revolutionerande ramverk kallat WildFusion som fundamentalt förändrar hur robotar uppfattar och interagerar med världen omkring sig.
WildFusion utrustar en fyrbent robot med flera sensoriska förmågor som efterliknar mänsklig perception. Utöver standardiserade visuella indata från kameror och LiDAR, integrerar systemet kontaktmikrofoner som registrerar vibrationer från varje steg, taktila sensorer som mäter applicerad kraft, samt tröghetssensorer som övervakar robotens stabilitet när den rör sig över ojämn terräng.
"WildFusion öppnar ett nytt kapitel inom robotnavigering och 3D-kartläggning," förklarar Boyuan Chen, biträdande professor vid Duke University. "Det hjälper robotar att agera mer självsäkert i ostrukturerade, oförutsägbara miljöer som skogar, katastrofzoner och terräng utanför vägnätet."
I hjärtat av WildFusion finns en sofistikerad djupinlärningsmodell baserad på implicita neurala representationer. Till skillnad från traditionella metoder som behandlar miljöer som samlingar av diskreta punkter, modellerar detta tillvägagångssätt ytor kontinuerligt, vilket gör att roboten kan fatta intuitiva beslut även när visuell data är blockerad eller tvetydig. Systemet "fyller effektivt i luckorna" när sensordata är ofullständig, precis som människor gör.
Tekniken har framgångsrikt testats i North Carolinas Eno River State Park, där roboten självsäkert navigerade genom täta skogar, gräsmarker och grusvägar. Enligt huvudförfattaren Yanbaihui Liu "visade dessa tester i verkliga miljöer WildFusions anmärkningsvärda förmåga att exakt förutsäga framkomlighet, vilket avsevärt förbättrade robotens beslutsfattande om säkra vägar genom utmanande terräng."
Forskargruppen har även utvecklat en simuleringsmetod som gör det möjligt att testa robotens kapacitet utan direkt mänsklig inblandning i de tidiga utvecklingsfaserna, vilket gör forskningsprocessen snabbare och mer skalbar. Detta tillvägagångssätt representerar ett betydande framsteg inom metodik för robottester.
Med sin modulära design har WildFusion stora potentiella användningsområden utöver skogsstigar, inklusive katastrofinsatser, inspektion av avlägsen infrastruktur och autonom utforskning. Tekniken, som stöds av DARPA och Army Research Laboratory, kommer att presenteras på IEEE International Conference on Robotics and Automation (ICRA 2025) i Atlanta i maj.