Spot оснащён 5 стереокамерами, которые создают детализированные 3D-карты, позволяя роботу обходить такие препятствия, как лестницы и вилочные погрузчики. Однако его реальная эффективность проявляется в условиях непредсказуемых сценариев, например, на скользких поверхностях или при движении между перемещающимися объектами. «Робот должен понимать, где находится стена, где пол, и различать занятое пространство от свободного», — пояснил Майкл Макдональд, участник команды Spot Autonomy.
Одним из ключевых вызовов остаются тонкие объекты, такие как провода, которые трудно заметить и различить. Кроме того, стеклянные двери и объекты, незаметные для стандартных сенсоров, представляют серьёзные риски. Spot использует визуальные данные вместо глубинных, чтобы избегать столкновений или запутывания. По словам Макдональда, такие ситуации требуют повышения контекстного понимания, чтобы робот мог безопасно действовать в подобных условиях.
Для повышения уровня восприятия Spot были внедрены так называемые foundation models — алгоритмы, обученные на огромных массивах данных. Эти модели позволяют роботу различать объекты и учитывать их свойства, например, избегать хрупких предметов или распознавать лестницы как потенциально опасные зоны. «Foundation models уже обучены на данных интернет-уровня, что позволяет использовать их без необходимости начинать обучение с нуля», — добавил Макдональд.
Усиленно обучение Spot должно обеспечить баланс между безопасностью и эффективностью. Например, робот может обходить препятствия, такие как лужи или провода, но способен аккуратно переступать их, если другого пути нет. «Мы фокусируемся на том, чтобы система могла быстро интегрировать данные об опасностях в навигацию в реальном времени», — отметил Макдональд.
Обновлённая версия Spot оснащена усовершенствованными алгоритмами принятия решений и взаимодействия с окружающей средой. Это делает его более безопасным и надёжным для использования в сложных сценариях. С развитием подобных технологий Boston Dynamics рассчитывает расширить возможности роботов, обеспечивая их адаптивность и способность работать в самых труднодоступных местах.
