Недавно, даже современные мобильные роботы могли быть легко «побеждены»: остановлены, например, при помощи стола. Который стоял на пути и блокировал дальнейшее движение робота. Робот бы упёрся в стол, распознал бы его как препятствие, попытаться запланировать путь вокруг него. И затем робот бы «сдался», потому, что его микропроцессорный «планировщик» маршрута потерпел неудачу. Так получается потому, потому что роботы обычно не знают, что из себя представляет большинство предметов, или и что можно с ними сделать. Все предметы оцениваются как препятствия, которых нужно избегать. Потому, что в большинстве случаев, это – самый легкий и безопасный способ планирования маршрута движения. А человека не удержать при помощи лёгкого стола. Люди понимают, что такие столы -предметы, которые могут быть убраны с дороги, что человек и делает.

В 2016 году на Международной конференции по вопросам интеллектуальных роботов и систем IROS в Южной Корее был сделан доклад на тему «Навигация среди подвижных препятствий с изученными динамическими ограничениями» которая придает мобильным манипуляторам робота способность освобождать себе дорогу от лёгких предметов (например, столов). Теперь робот может распознать легко сдвигаемый объект на своем пути и сдвинуть его, чтобы добраться, туда, куда он должен дойти.
Проблема перемещения через «захламлённое» предметами пространство очень распространена во внутренней окружающей среде, такой как дома и офисы. Где вещи могут быть нагромождены самым непредсказуемым образом. В отличие от структурированной окружающей среды (фабрики, склады), невозможно всегда точно предсказывать, каким образом внутренняя окружающая среда будет загромождена. В следствие этого, роботам намного тяжелее понять, как преодолевать встречающиеся на их пути препятствия. Даже если робот достаточно умен, чтобы переместить лёгкие мешающие ему препятствия, он должен ещё суметь приспособиться к сложным ситуациям: когда предметы, которые он ожидает перемещать одним способом или движутся по-другому, или не перемещаются вообще.
В Технологическом институте Джорджии группа исследователей обучала своего робота Golem Krang как двигаться в заполненном предметами пространстве. Для этой цели, были совместно задействованы планировщика пути (Navigation Among Movable Obstacle (NAMO)) и система обучения приложению физической силы, основанная на физических принципах (Physics-Based Reinforcement Learning (PBRL)). PBRL система дала возможность роботу использовать физические законы, чтобы понять и предсказать, как предметы будут вести себя при приложении к ним физических сил. И затем использовать эти знания, чтобы оптимальным образом переместить мешающие предметы, чтобы достигнуть своего пункта назначения. Вот пример того, как это работает. Использовались два стола, каждый с массой приблизительно 35 килограммов).

Робот справился с задачей успешно.
А это – более сложная задача, когда робот пытается «грубой силой» столкнуть с дороги сразу два стола. Но это не срабатывает. Робот понятия не имеет, какие есть ограничения, когда начинает пытаться их сдвинуть с места. Каждый раз один из столов не перемещается, как ожидалось. Неважно, застревает ли стол, или он просто заблокирован блокирующими роликами. Потерпев неудачу, робот обновляет свою физическую модель стола. И затем предлагает следующее более лучшее решение, которое учитывает эти новые ограничения.

В ситуациях, показанных на обоих видео, робот использует одинаковое программное обеспечение, адаптируя его применительно к каждой ситуации. Такой вид адаптивного поведения (изучение чего-то нового) – это то что люди делают все время. И адаптивное поведение будет важным навыком, поскольку мобильным роботам придётся работать в неструктурированной среде наших домов и офисов.
Хотя, на сегодняшний день нет лучшего способа помешать роботу прийти туда, где его не хотят видеть, чем закрытая дверь с круглой поворачивающейся ручкой, а перед ней лестничный пролет, покрытый черным ковром.