ICRA 2026: Автономные транспортные средства и навигация

На ключевом докладе четыре ведущих исследователя представили передовые достижения в области навигации автономных транспортных средств, охватывающие высокоскоростные автогонки, локализацию, основанную на нейробиологии, планирование безопасных базовых моделей и 4D-картирование динамической среды. 1. Уроки из реальных автогонок Докладчик: Йоханнес Беттс (Технический университет Мюнхена) Тема: Высокоскоростные автономные гонки на пределе физических возможностей в Автономной гоночной лиге Абу-Даби (A2RL). Ключевые выводы: Системный стек: Управление модифицированным автомобилем Formula Japan на скоростях до 300 км/ч с использованием надежного классического конвейера восприятия, планирования и управления с многосенсорным слиянием (LiDAR, радар, GPS). Адаптивный интеллект ("APEX"): Разработан новый программный модуль APEX, моделирующий адаптацию водителя-человека, непрерывно обновляющий траектории в реальном времени на основе динамики шин и пределов возможностей транспортного средства. Победа над водителями-людьми: Программное обеспечение превзошло чемпиона DTM и тест-пилота Mercedes-AMG Бернда Шнайдера на 1 секунду. Хотя гонщик Формулы-1 Джордж Рассел был на 1,5 секунды быстрее в целом, автономная система показала более быстрое время прохождения отдельных участков трассы. Основной урок: Помимо технической архитектуры, успех зависит от четкого распределения ответственности за алгоритм («один доктор наук, один алгоритм») и командной работы. 2. От нейробиологии к автономной навигации транспортных средств Докладчик: Майкл Милфорд (Центр робототехники QUT) Фокус: Более двух десятилетий биоинспирированного позиционирования, SLAM и практического применения. Ключевые выводы: Биологическое вдохновение: Алгоритмы навигации (например, RatSLAM, SequenceSLAM) были получены из структур мозга грызунов, таких как клетки места, клетки направления головы и сетчатые клетки. Внедрение в полевых условиях: Применение биоинспирированного позиционирования в подземных горнодобывающих грузовиках (на глубине 600 м) и в австралийском проекте лунохода ELO2 «Roover». Система локального позиционирования (LPS): Представлена ​​альтернатива GPS, не использующая спутниковую связь и обеспечивающая конфиденциальность, разработанная для сложных условий внутри помещений, под землей и вне планеты. Уроки карьеры: Подчеркнута важность настойчивости в преодолении академических отказов, продемонстрирована ситуация, когда отклоненные научные работы впоследствии получили награды за лучшие доклады на ведущих конференциях. 3. Поведенчески интеллектуальная и безопасная автономия Докладчик: Аникет Бера (Университет Пердью, лаборатория IDEAS) Фокус: Безопасная навигация в неструктурированных, ориентированных на человека средах без искусственной поддержки, как это было с картами высокого разрешения или GPS. Ключевые выводы: Четыре столпа: Фокус на восприятии 3D-пространства в реальном времени, надежной автономности, прогнозировании поведения человека и децентрализованном взаимодействии нескольких роботов. FastSLAM: Представлен быстрый метод регистрации SE(3) для 3D-гауссова сплэттинга, обеспечивающий картографирование дронов в реальном времени с низкой задержкой на бортовом периферийном оборудовании (NVIDIA Jetson). SEL-P (Safe Task Planning): Использует спецификации временной логики для маскировки небезопасных токенов во время декодирования LLM, гарантируя формальные ограничения безопасности без ущерба для возможностей рассуждений базовых моделей. Основной тезис: «Обучение дает роботам гибкость, а структура — надежность». 4. 4D динамический SLAM и когнитивное принятие решений Докладчик: Хэшэн Ван (Шанхайский университет Цзяотун) Фокус: Сквозная навигация от понимания сцены до принятия решений на долгосрочный горизонт. Ключевые выводы: 4D Dynamic SLAM: Использует деформируемое 3D гауссово сплэттинг для отображения как жестких, так и нежестких/деформируемых динамических препятствий (таких как движущиеся люди или хирургические ткани). Кросс-модальная локализация: Обеспечивает кросс-модальную локализацию 2D-3D, позволяя недорогим 2D-камерам точно локализоваться по плотным 3D-картам облака точек примерно за 40 мс. Когнитивное планирование: Интегрирует модели визуального и языкового анализа (VLM) и графы памяти для обеспечения семантического анализа в задачах навигации на дальние расстояния. Приложения: Продемонстрированы реальные примеры применения в карьерных самосвалах, автоматизированных газонокосилках, хирургической робототехнике и уборке складов. #ICRA2026 #Робототехника #АвтономныеТранспортныеСредства #АвтомобилиБезУправления #ИскусственныйИнтеллект #SLAM #КомпьютерноеЗрение #ГлубокоеОбучение #ТехнологическиеИнновации