In questo articolo Indice dei contenuti 3 sezioni
Camminando in un ufficio diamo per scontato che una vetrata non si possa attraversare, anche se lascia vedere tutto ciò che c’è dall’altra parte. Per un robot le pareti di vetro sono invece un vero rompicapo di percezione, perché la trasparenza confonde i sensori e rende incerta la lettura dello spazio. È una distinzione così elementare che a nessuno verrebbe in mente di spiegarla, eppure ricorda quanto riconoscere un ambiente possa essere più complicato per una macchina di quanto si immagini.
PolarDepth: quando la mappa smette di essere affidabile
Un robot che si muove all’interno di un edificio deve trasformare ciò che raccolgono i suoi sensori in informazioni sullo spazio circostante. Il vetro può introdurre errori proprio in questo passaggio, così un percorso che sembra libero non sempre corrisponde agli ostacoli reali. Basta pensare a una sala riunioni vetrata: una telecamera mostra sedie e tavoli come se nulla interrompesse la visuale, perché il vetro non ha quasi una sua texture. Se poi la telecamera cambia posizione cambiano anche i riflessi che compaiono sulla stessa superficie.
Con i sensori laser la difficoltà è diversa. Una parte del segnale può attraversare il vetro e rimbalzare sugli oggetti che si trovano dietro, mentre un’altra parte può deviare senza mai tornare al ricevitore. Molto dipende, tra le altre cose, dall’angolo di incidenza e dalle caratteristiche del materiale. Insomma, lo stesso pannello trasparente riesce a ingannare sia l’occhio della fotocamera sia quello del laser, ognuno a modo suo.
PolarDepth e il ruolo della polarizzazione
Per affrontare il problema Naitri Rajyaguru e i suoi collaboratori dell’Università del Maryland hanno sviluppato PolarDepth, un metodo pensato per migliorare la stima della profondità e del movimento. Il punto di partenza è una proprietà della luce che le fotocamere tradizionali ignorano. Queste registrano colore e intensità, ma esiste anche la polarizzazione, che descrive come sono orientate le oscillazioni luminose. Quando la luce si riflette su una superficie il suo schema di polarizzazione può svelare indizi sulla geometria che una normale fotografia non lascia distinguere facilmente. Per sfruttarli però servono sensori specifici in grado di misurare questa proprietà e tradurla in dati utili.
PolarDepth usa una sola telecamera a polarizzazione per ottenere due immagini. La prima è una classica immagine a colori, la seconda è una rappresentazione chiamata Polar RGB che integra le informazioni sulla polarizzazione della luce. Da entrambe il sistema ricava stime di profondità indipendenti, poi un modello addestrato le combina pixel per pixel dando più peso al dato ritenuto più affidabile in ciascuna zona. In pratica sfrutta l’immagine convenzionale dove funziona bene e ricorre agli indizi della polarizzazione sulle superfici riflettenti, come appunto le vetrate.
I test hanno coinvolto scene reali e sintetiche di ambienti vetrati, confrontando le prestazioni con quelle dei metodi basati soltanto su immagini RGB. Secondo gli autori i risultati mostrano miglioramenti sia nel calcolo delle distanze sia nell’odometria visiva, la tecnica che permette di stimare il movimento di una telecamera a partire dalle immagini che registra. Entrambe le capacità sono centrali nella percezione dell’ambiente, anche se resta un limite preciso perché questi esperimenti non dimostrano che la tecnologia elimini le collisioni durante la navigazione autonoma.
Un problema che viene da lontano
La questione non è nuova. Nel 2017 alcuni ricercatori dell’Università Tecnologica di Sydney avevano pubblicato uno studio su come riconoscere i pannelli di vetro sfruttando l’intensità della luce laser riflessa. Il loro metodo era stato integrato in un sistema di localizzazione e creazione di mappe e provato con un robot PR2 in due edifici adibiti a uffici. Gli autori riferivano di aver identificato circa il 95% dei pannelli senza registrare falsi positivi durante le prove. Un approccio diverso da quello del Maryland, che però dimostra l’esistenza di altre strade per aggirare l’ostacolo.
Intanto i robot umanoidi stanno entrando nel mondo del lavoro. Risulta che Tesla impieghi già unità di Optimus in aree controllate delle sue fabbriche, dove svolgono compiti specifici sotto supervisione. Agility Robotics ha portato Digit nelle operazioni logistiche, mentre Boston Dynamics sta addestrando Atlas per applicazioni industriali. Le sfide aperte però restano parecchie, dal riconoscere gli oggetti al manipolarli senza danneggiarli, passando per la regolazione della forza della presa e l’adattamento a situazioni impreviste. E prima di condividere i nostri spazi con naturalezza queste macchine dovranno risolvere anche problemi elementari come evitare di andare a sbattere contro una parete di vetro.
Fonte: TecnoAndroid
