Обход препятствий
Обход препятствий (англ. Obstacle avoidance) — это ключевой аспект автономной навигации и систем управления в робототехнике. Он подразумевает способность робота или автономной системы обнаруживать и обходить препятствия на своём пути для достижения заранее заданной цели. Эта технология играет важную роль в различных сферах, включая промышленную автоматизацию, беспилотные автомобили, дроны и даже освоение космоса. Обход препятствий позволяет роботам безопасно и эффективно функционировать в динамичных и сложных средах, снижая риск столкновений и повреждений.
Для того чтобы робот или автономная система успешно передвигались, преодолевая препятствия, они должны иметь возможность их обнаруживать. Наиболее часто для этого используются датчики, которые позволяют роботу анализировать окружающую обстановку, принимать решения о действиях по избежанию столкновения и реализовывать эти решения с помощью исполнительных механизмов — устройств, с помощью которых робот взаимодействует с миром[1].
Подходы
Подходы на основе датчиков
Один из самых распространённых подходов для обхода препятствий — использование различных датчиков: ультразвуковых, лидара (LiDAR), радаров, сонаров и камер. Эти устройства позволяют автономной системе реализовать простой трёхэтапный процесс: ощущать, анализировать и действовать. Они принимают на вход информацию о расстояниях и объектах, предоставляя данные об окружающей обстановке, что позволяет обнаруживать препятствия и вычислять расстояние до них. После этого робот может корректировать свою траекторию, чтобы обойти препятствия, при этом придерживаясь заданного маршрута. Вся процедура осуществляется в реальном времени и может быть эффективно применена в большинстве применений обхода препятствий[1][2].
Начиная с 2023 года в этой области произошёл значительный прогресс, обусловленный появлением новых сенсорных технологий, направленных на повышение скорости, точности и надёжности навигации в сложных средах. Среди ключевых инноваций выделяются[3]:
- Нейроморфные (событийные) камеры. В отличие от традиционных, они фиксируют не кадры, а изменения яркости в каждом пикселе, что обеспечивает сверхнизкую задержку (микросекунды), высокий динамический диапазон и энергоэффективность[4][5]. Это позволяет роботам избегать столкновений на высоких скоростях и в условиях плохой освещённости. Например, в 2024 году были продемонстрированы системы, где такие камеры в сочетании со спайковыми нейронными сетями (SNN) позволяют манипуляторам надёжно избегать столкновений в реальном времени[3].
- 4D-радары. Новое поколение радаров, способное определять не только расстояние, азимут и скорость объектов, но и их высоту[6]. Это позволяет создавать более полную картину окружения и обеспечивает надёжную навигацию в любых погодных условиях. С 2024 года такие радары начали устанавливаться на серийные автомобили[7][8].
- Компактные и точные лидары. Производители продолжают совершенствовать лидары, делая их меньше, легче и точнее. Например, в мае 2025 года Sony представила датчик AS-DT1, предназначенный для дронов и мобильных роботов, с точностью измерений ±5 см на расстоянии до 10 метров[9]. В то же время компании, как RoboSense, в 2024 году представили новые модели, ориентированные на массовое производство[10].
Развитие сенсоров сопровождается совершенствованием алгоритмов обработки данных. В частности, значительное развитие получили методы одновременной локализации и построения карты (SLAM), которые позволяют роботам ориентироваться в неизвестном пространстве:
- Visual SLAM (VSLAM). Использует данные с камер для построения трёхмерной карты окружения. Это позволяет обнаруживать препятствия на разной высоте, что является недостатком 2D-лидаров. В 2023 году компания ABB внедрила эту технологию в своих мобильных роботах[11].
- Semantic SLAM. Подход, предложенный в 2024 году, который строит карту, содержащую не только геометрическую, но и семантическую информацию (например, «стул», «стол»). Это делает локализацию более надёжной, особенно в условиях, когда внешний вид объектов меняется[12].
- Ceiling Vision SLAM (CV-SLAM). Новая техника, использующая камеры, направленные на потолок. Такой подход обеспечивает стабильную навигацию в загромождённых пространствах, поскольку потолок обычно свободен от препятствий, которые могли бы перекрыть обзор датчикам на уровне пола[13].
Современные системы всё чаще полагаются на слияние данных (англ. sensor fusion) — объединение информации от различных сенсоров (камер, лидаров, радаров, инерциальных датчиков) для повышения общей надёжности и помехоустойчивости системы[14].
Алгоритмы планирования пути
Алгоритмы планирования пути необходимы для оптимального расчёта и построения маршрутов без столкновений. Эти алгоритмы учитывают положение робота, его пункт назначения и расположение препятствий в среде. Полученные данные хранятся для формирования карты территории, после чего на её основе рассчитывается самый быстрый маршрут к заданной точке. Такие алгоритмы часто применяются для прохождения лабиринтов и в автономных транспортных средствах. К популярным относятся алгоритм A* (A-star), алгоритм Дейкстры и быстро исследующие случайные деревья (англ. Rapidly-Exploring Random Trees, RRT). Подобные алгоритмы позволяют находить кратчайшие пути до цели, избегая при этом столкновений — при этом все вычисления происходят в реальном времени[15].
С 2020-х годов доминирующим трендом в разработке алгоритмов планирования пути стало активное внедрение методов машинного обучения, в частности глубокого обучения с подкреплением (англ. Deep Reinforcement Learning, DRL)[16][17]. В рамках этого подхода робот обучается оптимальной стратегии движения (политике) не по жёстко заданным правилам, а путём взаимодействия с окружающей средой, получая «награды» за успешные действия и «штрафы» за столкновения[16]. Ключевыми алгоритмами в этой области являются:
- Методы на основе Q-learning, такие как Deep Q-Network (DQN) и его модификации (например, Double DQN), которые помогают роботу оценивать будущую выгоду от своих действий.
- Политические градиентные методы, включая Deep Deterministic Policy Gradient (DDPG) и Twin Delayed DDPG (TD3), позволяющие роботу обучаться в средах с непрерывным пространством действий, что важно для плавного управления движением[18].
Для повышения надёжности и эффективности систем широкое распространение получили гибридные подходы, комбинирующие сильные стороны классических алгоритмов и методов машинного обучения[16]. Например, традиционный алгоритм, такой как Probabilistic Roadmap (PRM), может использоваться для построения общего (глобального) маршрута, в то время как DRL-алгоритм (например, TD3) применяется для локальной навигации и обхода динамических препятствий в реальном времени[16]. Другим примером является развитие метода искусственных потенциальных полей (APF) — нейронные потенциальные поля, где нейронная сеть обучается создавать более сложное и эффективное поле, которое отталкивает робота от препятствий и притягивает к цели, решая проблему локальных минимумов, свойственную классическому APF[19].
Одновременно продолжается и совершенствование классических подходов. Например, в 2025 году был представлен улучшенный метод потенциальных полей (англ. Improved Velocity Potential Field, IVPF), который учитывает направление и скорость динамических препятствий[20]. Также появляются новые вариации алгоритма RRT (например, EB-RRT, 2020), оптимизирующие процесс поиска пути[21].
Методы машинного обучения
Использование методов машинного обучения значительно расширяет возможности обхода препятствий. Благодаря искусственному интеллекту (ИИ) автономная система способна не только прокладывать путь к цели, но и учиться адаптироваться к меняющейся среде. Для этого ИИ многократно подвергают тестированию в условиях появления препятствий и изменений среды. Если системе задаётся задача и вознаграждение за её успешное выполнение, со временем она способна выполнять её всё более эффективно. Это позволяет машине понимать, какие объекты являются препятствиями, и прокладывать оптимальные маршруты их обхода. К тому же автономная система учится реагировать на специфические ситуации — например, при попадании в воду, на склоны, при порывистом ветре или высоких температурах. Такой подход к обходу препятствий особенно актуален в беспилотных автомобилях, где он помогает снизить риски, связанные с возможными человеческими ошибками.
Применение
Автономные транспортные средства
Беспилотные транспортные средства существуют с 1980-х годов, а в последние десятилетия получили широкую известность благодаря компаниям Tesla и Nvidia[22]. Современные системы для создания цифровой модели окружающего мира используют комбинацию различных датчиков, включая камеры, радары, лидары и ультразвуковые сенсоры[23]. Ядром таких систем является искусственный интеллект, который в реальном времени обрабатывает данные с датчиков, прогнозирует поведение пешеходов и других транспортных средств[24]. Большинство новых моделей автомобилей в 2025 году соответствуют 2 и 3 уровням автономности по классификации SAE, что позволяет водителю временно отвлекаться от управления на трассах, в то время как компании активно тестируют системы 4-го уровня, где вмешательство человека в определённых условиях уже не требуется[24].
Космос и спутники
Из-за наличия большого количества космического мусора на околоземной орбите спутники должны уметь избегать столкновений. Для этого они могут рассчитывать, когда и где может произойти столкновение, а затем — с использованием торможения и корректировки траектории — предотвращать его[25]. С 2024 года ключевым направлением стало внедрение систем на базе ИИ, позволяющих спутникам самостоятельно принимать решения об уклонении. Например, спутники Starlink компании SpaceX за полгода (с декабря 2023 по май 2024 года) совершили около 50 000 автономных манёвров для уклонения от других аппаратов и обломков[26]. Другие компании, такие как Spire Global, также начали использовать ИИ-платформы для автоматизации манёвров[27]. Параллельно ведётся разработка технологий активной очистки орбиты. Европейское космическое агентство (ЕКА) готовит миссию ClearSpace-1 по захвату мусора, запуск которой после нескольких переносов запланирован на 2029 год[28], а также поддерживает проект Albator по бесконтактному смещению обломков с помощью ионных пучков.
Беспилотные летательные аппараты (дроны)
Беспилотные летательные аппараты (дроны) могут автономно использоваться для самых разных задач — от доставки почты и разведки до картографирования, сельского хозяйства и прочего[29]. Современные системы обхода препятствий для дронов делают акцент на автономной навигации в сложных средах, в том числе при отсутствии сигналов GPS. Для этого активно применяется технология SLAM, позволяющая дрону одновременно строить карту неизвестного пространства и определять своё местоположение на ней[30]. В 2025 году учёные СПб ФИЦ РАН представили систему визуальной навигации, которая позволяет дронам ориентироваться путём сравнения видео с бортовых камер со спутниковыми снимками местности[31]. Коммерческие модели, такие как DJI Neo 2 (представлен в конце 2025 года), оснащаются лидарами и инфракрасными датчиками для активного уклонения от препятствий[32]. В военной сфере разрабатываются системы для защиты разведывательных БПЛА от атак FPV-дронов, которые с помощью камеры заднего вида и ИИ автоматически выполняют манёвр уклонения.
Общественный транспорт
Рост популярности автономных транспортных средств привёл к их использованию и для перевозки пассажиров как более дешёвой альтернативы найму водителей, при этом снижается вероятность человеческой ошибки[33]. Помимо полностью беспилотных шаттлов, в существующий общественный транспорт активно внедряются передовые системы помощи водителю (англ. Advanced Driver-Assistance Systems, ADAS). Например, система предупреждения о столкновении для трамваев от Bosch, использующая радар и видеокамеру, была внедрена в румынском городе Клуж-Напока (2023)[34]. В мае 2025 года транспортное управление Филадельфии (США) утвердило план по установке системы на весь парк своих трамваев. Компания ZF Friedrichshafen AG в 2022 году представила систему предотвращения столкновений для городских автобусов, способную выполнять экстренное торможение[35]. В Москве в сентябре 2025 года был запущен первый в России беспилотный трамвай с пассажирами, система управления которого способна предотвращать столкновения[36].
Промышленность и логистика
Крупные компании используют автоматические промышленные системы с функцией обхода препятствий для снижения потребности в рабочей силе и сокращения числа ошибок. Современные решения применяются в автономных мобильных роботах (англ. Autonomous Mobile Robots, AMR), вилочных погрузчиках и коллаборативных роботах (коботах). В отличие от ранее использовавшихся AGV, которые двигались по заданным магнитным лентам, AMR используют технологию SLAM для навигации, что позволяет им самостоятельно создавать карты помещений и динамически изменять маршрут для обхода препятствий[37]. На складах и в производстве вилочные погрузчики оснащаются системами, которые с помощью лидаров и камер создают зоны безопасности и могут автоматически замедлять или останавливать машину[38]. В горнодобывающей отрасли системы предотвращения столкновений (англ. Collision Avoidance Systems, CAS) становятся стандартом безопасности для карьерной техники. Коллаборативные роботы (коботы), предназначенные для работы рядом с человеком, по своей конструкции оснащены датчиками, позволяющими им безопасно взаимодействовать с людьми, останавливаясь при риске контакта[39].
Проблемы и ограничения
Несмотря на значительный прогресс, автономные системы обхода препятствий сталкиваются с рядом фундаментальных проблем, связанных с надёжностью, безопасностью и эффективностью в сложных условиях.
Навигация в динамичных и непредсказуемых средах Одной из главных проблем остаётся работа в средах с большим количеством движущихся объектов, таких как пешеходы, другие транспортные средства или складская техника[40]. Традиционные алгоритмы часто не справляются с непредвиденными препятствиями (например, случайно оставленными грузами), что приводит к выбору неоптимальных маршрутов[40]. Для решения этой проблемы разрабатываются системы коллективного интеллекта, позволяющие группе роботов мгновенно обмениваться информацией о препятствиях[40].
Ограничения сенсорных систем Эффективность автономных систем напрямую зависит от качества данных с сенсоров. Неблагоприятные погодные условия (дождь, снег, туман) значительно ухудшают работу камер и лидаров, затрудняя обнаружение препятствий[41]. В загромождённых пространствах, например на складах, традиционные методы SLAM могут давать сбои. В качестве решения предлагаются инновационные подходы, такие как SLAM-навигация с видом сверху, когда камера устанавливается на потолке для получения более точной карты[42].
Вычислительная сложность и работа в реальном времени Для безопасного обхода препятствий система должна обрабатывать большие объёмы данных и принимать решения за доли секунды, что является одной из ключевых трудностей[43]. На бортовых системах с ограниченными энергоресурсами, особенно на дронах, невозможно использовать тяжёлые нейросетевые модели. Поэтому активно ведутся работы по созданию «лёгких» моделей (например, YOLO-nano) и применению методов оптимизации, которые уменьшают объём вычислений без существенной потери точности[41]. Перспективным направлением является использование ИИ для самостоятельной оптимизации алгоритмов, что может значительно ускорить их работу[44].
Надёжность и интерпретируемость машинного обучения Алгоритмы на основе ИИ показывают высокую эффективность, но их использование в критически важных системах сопряжено с фундаментальными проблемами. Одной из главных является низкая интерпретируемость нейросетей («чёрный ящик»): если разработчик не может точно объяснить, как алгоритм пришёл к тому или иному решению, доверие к такой системе, особенно в случае аварии, будет низким[45]. Это создаёт «пробел ответственности», так как ни разработчик, ни эксплуатант не могут нести полную ответственность за поведение системы, способной к самомодификации[46]. Кроме того, эффективность моделей напрямую зависит от объёма и качества обучающих данных, а отсутствие унифицированных наборов данных затрудняет объективную оценку исследований[45][47].
Безопасность и правовое регулирование По мере роста числа автономных систем остро встают вопросы их безопасной интеграции в общество. Существует риск преднамеренных атак на каналы связи с целью вызвать сбои в навигации, что требует разработки новых подходов к тестированию кибербезопасности[48]. Одновременно с этим законодательная база часто отстаёт от темпов развития технологий. Хотя в некоторых областях, как, например, для беспилотных автомобилей в России, правила начинают появляться (2023)[49], во многих смежных сферах отсутствие стандартов и регламентов мешает развитию рынка[50].