V minulých dílech jsem vám představil problematiku pohybu a motoriky robotů, dnes se zaměřím na vnímání robotů.

 

Podobně jako člověk potřebuje stroj vnímat své okolí. U člověka v zásadě rozpoznáváme pět základních smyslů – zrak, čich, sluch, hmat a chuť. Tyto vjemy jsou různých typů – chemoreceptorové (chuť a čich), mechanoreceptorové (sluch a hmat) a fotoreceptorové (zrak). Už v první definici se ovšem počítalo s existencí více smyslů. V robotice je v tomto ohledu dobré jít do většího detailu – u každého robota je nutné rozhodnout, jakými sensory se vybaví. Klíčový je přitom typ úkolů, kterým bude čelit, a samozřejmě také náklady.

 

Externí a interní senzory

Senzory dělíme s ohledem na směr vnímání na externí a interní. Externí vnímají okolí, sledují stav vnějšího světa. Jsou většinou zaměřeny na orientaci v prostoru, snímání obrazových, chemických, zvukových a dalších dat. Interní vyhodnocují vnitřní stav robota – teplotu procesoru, natočení robota, závady atp. Nebudu se detailněji věnovat všem senzorům, ale jen pár vybraným.

Interní senzory

Interní senzory, jak již bylo zmíněno, snímají vnitřní stav stroje. Z velké části jde o senzory, které zajišťují bezchybnou funkci, tzn. dostatečné chlazení, hlídání kritických otáček či funkční kontakt. Spíše se zaměřím na vnitřní senzory, které mají vliv i navenek.

Servo

Asi nejzajímavější je definice pomocí servomotoru. Servomotor sám o sobě není senzorem, ale motorem, kterému lze definovat přesné natočení. Ten by mohl být v motorickém členu parafrázován jako sval s pamětí. Pomocí servomotorů je možno například zadávat pozici koncového bodu mechanické ruky s velikou přesností bez jakékoliv kamery. Zde je ovšem potřeba brát ohled na nutnost občasné externí kalibrace. Tento způsob je vhodný pro stále se opakující pohyby. Nevýhodou je neschopnost se přizpůsobit. Na druhou stranu je možné senzory kombinovat.

 

Akcelerometr

Snímá intenzitu a směr zrychlení. Hodí se pro snímání kritických rázů (například pro skrytí diskových hlav), ale třeba také pro určení směru gravitace v klidovém stavu. Akcelerometr v ovladačích se využíval například v herní konzoli Nintendo Wii. Tento senzor je užitečný, ovšem například na vyrovnávání do vodorovné polohy sám nestačí – snímá jakékoliv zrychlení. Doplňuje ale často kombinaci senzorů, protože rychle reaguje na změny. Mnohdy je korigován stabilnějšími senzory s větší přesností. Je obsažen téměř ve všech chytrých zařízeních.

 

Gyroskop

Gyroskop využívá setrvačníku, který si pomocí stabilních otáček zachovává svou osu, a to bez ohledu na natočení obaleného zařízení. Tím pádem jsme schopni určit přesné natočení zařízení. To je klíčové v mnoha oblastech. Přesnost může být ovlivněna rázy, ale gyroskop se opětovně stabilizuje. Užitečné je používat jej v kombinaci s akcelerometrem, který tyto rázy detekuje.

Jeho použití je široké. Asi nejčastěji se používal u letadel, balistických raket, torpéd a podobně. Dnes je obsažen v lepších mobilních zařízeních a je podmínkou například pro fungování rozšířené reality bez použití obrázkových terčů. Je také klíčovou součástí zařízení pro virtuální realitu.

U strojů tento senzor umožňuje držet stabilitu, ale i určit své natočení. Akcelerometr s gyroskopem dokáže krátkodobě odhadovat posun v prostoru.

 

 

 

Externí senzory

Externí senzory umožňují vnímání vnějšího světa. Často si pomáhají senzory interními pro vyhodnocení externích dat.

Kamera

Prvním snímačem, který nás napadne, je nejspíš kamera. Kvalita a kompaktnost kamer se neustále zlepšuje. Pro samotnou operabilitu robota se kamera stává užitečnou až v poslední době, je to mnohdy první věc, která člověka zajímá. Ať jde o vzdálené ovládání robota, nebo natáčení videa (například pomocí dronů). Pro robota jsou ovšem tato data špatně vyhodnotitelná.

Až v poslední době se rozšiřuje schopnost vyhodnocovat obrazová data i pro stroj. Jedním z nejčastějších použití je oblast rozšířené reality. Buď pomocí předem známého obrazu, nebo podle pohybu ve světě (zde je většinou potřeba ještě dalších senzorů) je možné určit relativní polohu a rotaci vůči referenčnímu objektu, a tím například plánovat další trasu, kalibrovat sebe sama nebo přizpůsobit motorické operace.

Díky umělé inteligenci se samozřejmě možnosti zpracování klasického RGB (barevného) obrazu neustále zlepšují, ale jde o obtížný úkol. Zatím se zpracovávají především dílčí úkoly, například rozpoznání obličeje a podobně. Mnohdy je považováno za úspěch, když je stroj vůbec schopen vyhodnotit, že daný shluk pixelů je strom.

 

 

Snímání vzdálenosti

Výhodnější je pro robota vyhodnocovat vzdálenosti, respektive snímat hloubkovou mapu. Tímto způsobem získá prostorový model okolí mnohem spolehlivěji než v klasickém barevném obrazu. Na základě onoho modelu již lze plánovat další postup a určovat trasu.

 

Senzor vzdálenosti

Tento snímač poskytuje jednorozměrnou hodnotu vzdálenosti k nejbližšímu povrchu v přímé linii od senzoru. Když známe polohu snímače na robotu, můžeme vyhodnotit, jak daleko jsme od kolizní plochy. Většinou jsou tato data přesná, ale omezená na jeden paprsek na snímač. Senzor vzdálenosti může být užitečný třeba pro svařovací roboty, kde je pro úspěšné sváření stanovená přesná vzdálenost svařovací hlavy od povrchu materiálu.

Další metodou je systém podobný radaru – zde jdou vysílaná a snímaná data zvukového charakteru (v neslyšitelném spektru). Oproti metodě obrazové bývá méně přesná, avšak funguje i na sklo a reflexivní materiály. V některých případech se tyto metody kombinují.

 

Místo vysílání a snímání zvuku je možno použít vysílání a snímání světla. Konkrétně světla se známou texturou (většinou jde o na pohled náhodné tečky), nejčastěji v IR spektru. Ty potom snímá posunutá IR kamera a na základě deformace textury vypočítá hloubkovou mapu obrazu. Tímto způsobem získáme 3D data, respektive 2,5D, z nichž se 3D dopočítá. Pokud navíc tento obraz zkombinujeme s barevnou kamerou (díky znalosti relativní polohy a rotace kamer od sebe), můžeme vytvářet rychlé 3D skeny okolí.

 

 

Zde je veliký užitek pro autonomní vysavače. S pomocí senzorů nejprve nasnímají prostor podlahy a zjistí, kde jsou stěny a jiné překážky. Často z této činnosti zašlou report do mobilní aplikace, kde je zobrazen půdorys bytu. Na základě těchto dat posléze dochází k vypočtení ideální trasy pro vysátí celého bytu.

Největší koktejl pokročilých senzorů dnes najdeme na autonomních vozidlech. Ty vyhodnocují, jestli je auto mezi pruhy, snímají vzdálenost od ostatních aut, identifikují překážky a detekují lidi včetně vyhodnocování jejich rychlosti. Senzory snímají široké spektrum dat a například Tesla tato data neustále vyhodnocuje a ukládá. Je otázkou, zda se Tesla stane výdělečnou z hlediska prodeje automobilů, ale živá data, která snímá, vyhodnocuje a ukládá, mohou mít možná i větší hodnotu než samotná vozidla. Jsou totiž podstatným zdrojem pro strojové učení, které může autonomní mobilitu posunout na plně soběstačnou úroveň.

 

 

 

A co říci závěrem? Stroj potřebuje smysly stejně jako člověk. Beze smyslů je slepý a hluchý. Zvyšující se kvalita včetně miniaturizace zlepšuje schopnosti strojů vnímat a druhotně také manipulovat okolím. Vnímat může stroj nejen pro svůj pohyb a přežití, ale data může také ukládat a interpretovat pro případné další použití. Senzory se snaží přiblížit kvalitou a přesností lidským smyslům. V mnoha případech je již překonaly, ať přesností, či rychlostí, ale stroje stále zaostávají v oblastech, kde není vše striktní a kde jsou odchylky. V tom se mohou stroje do jisté míry posunout díky umělé inteligenci a strojovému učení, které si probereme příště.

 

A ještě přídavek – co roztomilého jde vytvořit se změtí senzorů: