Привет, SE7EN! На связи МТС, и сегодня мы вновь обращаемся к теме робототехники. Но оставим в покое привычных нам курьеров и пылесосы — речь пойдет о серьезных вещах. Мы погрузимся в индустрию тяжелой строительной техники, чтобы разобраться, как автоматизируют гигантов, работающих на промышленных объектах.
Любая стройка — это скопление самосвалов, экскаваторов и кранов. Роботизация этой техники неизбежна, но сегодня мы сосредоточимся на узкой, но важной нише: экскаваторах, предназначенных для перемещения сыпучих грузов.
Эффективная и высокоточная работа с песком, щебнем или строительным мусором востребована везде — от портовой перевалки до сноса зданий. Это монотонный, изматывающий и зачастую опасный для оператора труд, который традиционно выполняют тяжелые гидравлические погрузчики с ручным управлением.
В кинематографе роботы легко заменяют людей в любых условиях, но реальность требует куда более сложных решений. Роботизированный экскаватор должен объединять в себе «зрение», навыки построения маршрутов, умение выбирать оптимальные точки захвата и филигранное управление манипулятором.
Отбросим теорию и перейдем к практике, рассмотрев платформу, на которой проводились испытания.
NB! В основе материала лежит научная работа, использующая два модуля на базе обучения с подкреплением (Reinforcement Learning). Первый — это планировщик точек захвата: он анализирует кучу материала и определяет позиции, позволяющие забирать максимум груза за минимальное число итераций. Второй — контроллер, отвечающий за точность траектории, безопасность и использование инерции свободного подвеса ковша для динамической выгрузки.
Эффективность связки была протестирована на реальном 40-тонном погрузчике в рабочих условиях, ориентируясь на задачи складской логистики и точной погрузки самосвалов.
Архитектура системы
Экспериментальная платформа, представленная на фото ниже, стала нашей тестовой базой.
Манипулятор состоит из трех гидравлических узлов с одной степенью свободы (DoF) каждый: поворотный механизм на роторном двигателе и стрела с рукоятью на поршнях. Инструмент (захват типа «ракушка») прикреплен через два пассивных шарнира, обеспечивающих свободное качание. Суммарно мы имеем дело с шестью степенями свободы, две из которых — неуправляемые. Для упрощения задачи в тестах мы зафиксировали поворотную ось захвата, рассматривая основание машины как статичную точку.
Для восприятия среды система использует набор датчиков:
-
Энкодеры на шарнирах для мониторинга положения и угловой скорости.
-
IMU на захвате: данные об ускорениях, угловых скоростях и пространственной ориентации.
-
Датчики давления в гидроцилиндрах.
-
Пара лидаров (на кабине и рукояти) для построения 3D-карты окружения.
Частота сбора данных составляет 50 Гц, что позволяет системе в реальном времени отслеживать тангаж, крен инструмента и состояние узлов манипулятора.
Ограничения и вызовы
Система имеет свои узкие места. Вычисление скоростей на основе данных о положении вносит шум и задержки. Отсутствие магнитометра делает невозможным контроль рыскания захвата. Кроме того, облака точек, получаемые с лидаров, требуют тщательной фильтрации: пыль и летящие фрагменты груза могут создавать «призрачные» препятствия.
Принципы автоматизации
Алгоритм работает в замкнутом контуре: пользователь задает рабочую область и точку выгрузки. Планировщик, используя данные лидаров, строит бесконфликтные траектории с помощью алгоритма RRT (быстро исследующее случайное дерево), обеспечивая обход препятствий.
Окружение моделируется с помощью октодерева (OctoMap) с разрешением 0,5 м — оптимальный баланс между точностью и вычислительной нагрузкой. Система поддерживает динамическое маскирование областей: можно легко «добавить» виртуальную стену или исключить из процесса рабочие зоны, где не требуется проверка на столкновения.
Вместо сквозного обучения (End-to-End) мы используем модульный подход: планировщик на основе RRT* генерирует оптимальные пути, а политики обучения с подкреплением (RL) отвечают за их реализацию. Это повышает прозрачность системы и позволяет легко адаптировать поведение робота под новые задачи.
Обучение и логика управления
Гидравлика обладает нелинейностью, а свободно подвешенный ковш склонен к раскачке. Для нивелирования этих факторов мы внедрили две RL-политики: контроллер следования по точкам и контроллер сброса. Контроллер движения направляет ковш к цели, минимизируя раскачивание, а контроллер выгрузки — управляет процессом разгрузки в целевой точке.
Ключевая инновация — использование «виртуальных труб» радиусом r_tube, внутри которых должен перемещаться захват. Это делает траектории предсказуемыми и безопасными. Варьируя радиус, можно переключаться между режимами «быстро, но рискованно» и «медленно, но безопасно».
Результаты тестов
Натурные испытания подтвердили жизнеспособность архитектуры. Автономный погрузчик продемонстрировал производительность, сопоставимую с опытными операторами, при этом стабильно выполняя работу в неструктурированной среде.
Конечно, есть куда стремиться. Основные направления будущих улучшений включают: более точное моделирование гидравлики, отказ от жестких «труб» в пользу комплексного обучения агента, использование энкодеров для рыскания захвата и внедрение алгоритмов оптимизации позиции самой машины.
В целом, работа доказывает, что синергия обучения с подкреплением и классической робототехники открывает путь к созданию отказоустойчивой автономной техники, способной эффективно работать в сложных промышленных сценариях.
