“Trí tuệ” cần thiết cho “Robot chuyển động” là gì?

Khi nghe đến từ Robot, chắc hẳn nhiều người sẽ lập tức hình dung đến một “cỗ máy biết chuyển động”. Thực tế, khả năng chuyển động là một trong những đặc điểm lớn nhất của Robot. Tuy nhiên, Hành vi (Behavior / 行為) chuyển động trông có vẻ đơn giản nhưng lại đòi hỏi quá trình Xử lý (Processing / 処理) vô cùng cao cấp. Những động tác như “bước đi”, “rẽ”, “tránh” vốn rất đỗi bình thường đối với con người, nhưng đối với Robot, đó là kết quả của sự phối hợp chặt chẽ giữa rất nhiều Cảm biến (Sensor / センサー) và Quá trình xử lý AI (AI processing / AI処理).

Hơn thế nữa, khi đó là “Di chuyển tự chủ (Autonomous navigation / 自律移動)“, độ khó lại càng tăng lên. Di chuyển tự chủ không phải là việc đi theo một Tuyến đường (Route / ルート) đã được lập trình sẵn, mà là một chuỗi các chuyển động bao gồm việc tự mình nắm bắt Vị trí hiện tại (Current location / 現在地), phán đoán lộ trình tối ưu nhất đến Đích đến (Destination / 目的地), và vừa tiến lên vừa tiến hành Tránh chướng ngại vật (Obstacle avoidance / 障害物回避) trên đường đi.

Điều làm cho những Hành động phức tạp (Complex behavior / 複雑な行動) này trở nên khả thi chính là Công nghệ lái xe tự động (Autonomous driving technology / 自動運転技術) với cốt lõi là AI và công nghệ được gọi là SLAM (Định vị và lập bản đồ đồng thời / Simultaneous Localization and Mapping / 自己位置推定とマッピング). Trong chương này, chúng ta sẽ giải thích về sự tiến hóa của trí tuệ và công nghệ cần thiết để Robot có thể “di chuyển mà không bị lạc”.

Công nghệ Lái xe tự động và SLAM

Cốt lõi của Di chuyển tự chủ chính là năng lực nắm bắt chính xác “Vị trí (Location / 位置)” của bản thân và “Môi trường xung quanh (Surrounding environment / 周囲の環境)“. Công nghệ biến điều này thành hiện thực được gọi là SLAM. SLAM là “công nghệ thực hiện đồng thời Ước lượng vị trí bản thân (Self-localization / 自己位置推定) và Tạo bản đồ (Map generation / 地図生成)“. Robot vừa di chuyển vừa nắm bắt Cấu trúc (Structure / 構造) xung quanh, đồng thời vẽ vị trí của mình lên bản đồ.

Ví dụ, khi Robot bước vào một căn phòng lần đầu tiên, không cần dựa dẫm vào các Điểm đánh dấu (Marker / マーカー) gắn trên trần nhà hay Hệ thống định vị toàn cầu (GPS / 全地球測位システム), nó sẽ sử dụng camera có sẵn hoặc LiDAR (Cảm biến khoảng cách bằng laser / Laser distance sensor / レーザー距離センサー) để quét xung quanh, và tạo bản đồ theo Thời gian thực (Real-time / リアルタイム) với các thông tin như “có bức tường ở đây”, “không thể đi qua góc này”. Sau đó, dựa vào bản đồ đó, nó vừa nhận thức vị trí “mình đang ở góc trong cùng bên phải của căn phòng này, lối ra ở phía bên trái”, vừa tiếp tục di chuyển.

Nếu việc Ước lượng vị trí bản thân này không chính xác, Robot sẽ mất phương hướng và không thể đến được Đích đến. Do đó, sự tích hợp của Xử lý hình ảnh (Image processing / 画像処理) bằng AI và Dữ liệu cảm biến (Sensor data / センサーデータ) trở nên rất quan trọng. SLAM dựa trên thị giác (Visual SLAM / 視覚ベースのSLAM), công nghệ học hỏi cảnh quan và cách bố trí vật thể xung quanh để “phán đoán địa điểm dựa trên vẻ bề ngoài”, cũng đang không ngừng tiến hóa.

Ngoài ra, Công nghệ lái xe tự động cũng là hạt nhân của Robot di động tự chủ (Autonomous mobile robot / 自律移動ロボット). Việc này không đơn thuần chỉ là “tiến” hay “dừng”, mà còn đòi hỏi phải thực hiện đồng thời nhiều phán đoán như hiểu luật giao thông, dự đoán người đi bộ, quyết định tại các giao lộ, ứng phó với sự thay đổi của thời tiết và thời gian trong ngày. Ở đây, AI cũng đang đảm nhận vai trò Ra quyết định đa biến (Multivariate decision making / 多変量な意思決定) dựa trên thông tin từ video và Cảm biến.

Như vậy, đằng sau sự di chuyển là sự đòi hỏi một Trí tuệ bậc cao (High-level intelligence / 高度な知性) để xử lý đồng thời các câu hỏi “đang ở đâu”, “đang đi đâu” và “đi bằng cách nào”.

Tối ưu hóa tuyến đường di chuyển và Tránh chướng ngại vật

Điều quan trọng tiếp theo là sự Tối ưu hóa tuyến đường (Route optimization / 経路の最適化), giải quyết câu hỏi “Làm thế nào để đến được đích”. Đây không phải là một bài toán đơn giản chỉ là đi từ điểm A đến điểm B trên bản đồ bằng con đường ngắn nhất. Trong Không gian thực (Real space / 現実の空間), có rất nhiều Biến số (Variable / 変数) tồn tại như chướng ngại vật không thể dự đoán, chuyển động của con người, bậc thang hay sàn nhà trơn trượt, khu vực không thể đi qua…

Để tìm ra tuyến đường hiệu quả nhất trong những điều kiện đó, người ta sử dụng Thuật toán lập kế hoạch đường đi (Path planning algorithm / パスプランニングアルゴリズム). Các ví dụ tiêu biểu là Thuật toán A (A-star algorithm / A（エースター）アルゴリズム)* và Thuật toán D (D-star algorithm / D（ディースター）アルゴリズム)*; đây là các phương pháp để tìm ra lộ trình ngắn nhất và an toàn nhất trong những địa hình giống như mê cung.

Ví dụ, khi Robot đi lấy hàng trong một nhà kho chật hẹp, nó phải vừa cân nhắc đến các kệ hàng xung quanh, chuyển động của các Robot khác và công nhân con người, vừa phải chọn ra lộ trình hiệu quả và an toàn nhất. Phán đoán đó được cập nhật theo Thời gian thực, và nếu có người xuất hiện trên đường đi, nó cần phải tự động Tính toán lại (Recalculate / 再計算する) một lộ trình khác.

Nơi phát huy tác dụng ở đây chính là cơ chế Tránh chướng ngại vật bằng AI. Khi Cảm biến phát hiện chướng ngại vật xung quanh, AI sẽ phân tích vị trí và tốc độ của nó, sau đó thay đổi tuyến đường di chuyển để tránh va chạm với vật thể có nguy cơ tiếp xúc. Gần đây, các “Hệ thống tránh có tính dự đoán (Predictive avoidance system / 予測型回避システム)” không chỉ tránh chướng ngại vật tĩnh mà còn dự đoán chuyển động của con người hay Robot khác để chủ động né tránh, cũng đã xuất hiện.

Đối với các phán đoán trong một Môi trường động (Dynamic environment / 動的環境) như vậy, Năng lực xử lý thời gian thực (Real-time processing capability / リアルタイム処理能力) và Tính linh hoạt (Flexibility / 柔軟性) là những yếu tố được đòi hỏi. Ngay cả đối với những “sự việc ngoài dự kiến” vốn là điểm yếu của các Robot truyền thống, nếu sử dụng AI, chúng ta có thể có được những phán đoán như “tìm cách để tránh” hay “đứng chờ trong phạm vi an toàn”. Thực sự, hình bóng của những Robot có thể “tùy cơ ứng biến” giống như con người đang dần hiện ra.

Ứng dụng cho Drone, Robot giao hàng, và AGV

Công nghệ di chuyển tự chủ bằng AI đang bắt đầu được ứng dụng vào nhiều lĩnh vực khác nhau. Ở đây, tôi xin giới thiệu 3 ví dụ ứng dụng tiêu biểu.

1. Drone (Robot di động trên không / Aerial mobile robot / 空中移動型ロボット)

Drone là một loại Robot hiện thực hóa sự di chuyển với Bậc tự do (Degree of freedom / 自由度) cao nhất. Nó bay tự do trong Không gian 3 chiều (3D space / 3次元空間) và có thể di chuyển đến những nơi mà mặt đất không thể tiếp cận được như dưới gầm cầu hay khe hở giữa các tòa nhà cao tầng. Để hiện thực hóa điều này, không chỉ cần thông tin vị trí bằng GPS, mà còn kết hợp với Cảm biến con quay hồi chuyển (Gyro sensor / ジャイロセンサー), máy đo độ cao và SLAM dựa trên thị giác (Vision-based SLAM / ビジョンベースのSLAM).

Bằng việc Tối ưu hóa (Optimization / 最適化) đường bay nhờ AI, nó có thể vừa tránh ảnh hưởng của gió và chướng ngại vật, vừa đến đích một cách an toàn và hiệu quả. Ngoài ra, nếu được trang bị camera, nó có thể được ứng dụng vào việc điều tra hiện trường thiên tai, giám sát đất nông nghiệp, hay xác nhận tiến độ tại các công trường xây dựng. Trong tương lai, những Drone kết hợp với Phân tích hình ảnh (Image analysis / 画像解析) bằng AI, “vừa nhìn vừa phán đoán và di chuyển” sẽ trở thành xu hướng chủ đạo.

2. Robot giao hàng

Sự tự hành của Robot giao hàng (Delivery robot / 宅配ロボット) đang thu hút sự chú ý trong những năm gần đây. Các loại chạy trên đường công cộng, loại cỡ nhỏ di chuyển trên vỉa hè, hay loại di chuyển bên trong các tòa nhà đang được phát triển, và tất cả đều không thể thiếu Công nghệ di chuyển (Mobility technology / 移動技術) bằng AI.

Ví dụ, nó nhận diện chính xác điểm giao hàng, dự đoán tình trạng đông đúc của con đường, và vừa tránh sự thay đổi của đèn tín hiệu cũng như chuyển động của người đi bộ để đến đích. Để thực hiện tất cả những điều này mà không cần sự điều khiển của con người, cần sự phối hợp hoạt động của nhiều Mô-đun AI (AI module / AIモジュール) như Cảm biến hình ảnh (Vision sensor / ビジョンセンサー) và SLAM, dự đoán chướng ngại vật, tính toán lại lộ trình theo thời gian thực…

Trong tương lai, nếu sự liên kết với mua sắm trực tuyến và giao đồ ăn được đẩy mạnh, ngày mà những “nhân viên giao hàng tự động di chuyển” trên phố trở nên quen thuộc sẽ không còn xa.

3. AGV (Xe tự hành chở hàng / Automated Guided Vehicle / 無人搬送車)

AGV là loại Robot logistics (Logistics robot / 物流ロボット) di chuyển tự chủ được sử dụng trong các nhà máy và kho bãi. Trước đây, người ta trải băng từ trên sàn và nó di chuyển theo các đường băng đó, nhưng hiện nay, bằng cách sử dụng AI để tiến hành tạo bản đồ và phán đoán lộ trình, những chuyển động linh hoạt và phức tạp hơn đã trở nên khả thi.

Đặc biệt tại các kho bãi quy mô lớn, nơi hàng trăm chiếc AGV di chuyển cùng lúc, người ta đòi hỏi một sự Điều phối cao cấp (Advanced orchestration / 高度なオーケストレーション), nơi AI điều chỉnh Kế hoạch di chuyển (Movement plan / 移動計画) của từng chiếc để tránh “tắc nghẽn” và “va chạm”. Ở đây, sự kết hợp giữa SLAM và phán đoán theo thời gian thực cũng trở thành chìa khóa.

Tiềm năng của một xã hội nơi Robot “di chuyển tự do”

Nhờ sự tiến hóa của Công nghệ di chuyển tự chủ bằng AI, Robot đang trải qua một sự biến đổi từ “thực thể nằm im một chỗ” thành “thực thể có thể đi đến bất cứ đâu”. Bằng cách để AI xử lý theo thời gian thực các quá trình phức tạp như nhận thức vị trí bản thân thông qua SLAM, tối ưu hóa tuyến đường, tránh chướng ngại vật, Robot cư xử hệt như một “Sinh vật (Living organism / 生命体) biết suy nghĩ và hành động”.

Điều này đang mở rộng tiềm năng hoạt động của Robot ở mọi hiện trường như logistics, giao thông, kiểm tra, an ninh, ứng phó thảm họa. Và chắc chắn rằng, xu hướng này sẽ ngày càng tăng tốc trong tương lai.

Vậy, những “Robot biết chuyển động” này sẽ trở nên thông minh hơn bằng cách nào? Trong chương tiếp theo, chúng ta sẽ tập trung vào câu trả lời cho vấn đề đó: “Học tăng cường (Reinforcement learning / 強化学習)“. Hãy cùng tiếp cận hình bóng của những Robot trưởng thành thông qua quá trình Thử nghiệm và sai sót (Trial and error / 試行錯誤), học hỏi từ thất bại và tự cải thiện. Trong thế giới thực, “học” thực sự có nghĩa là gì? Chúng ta sẽ đào sâu vào bản chất của điều đó.