Een onderzoeksteam van het Daegu Gyeongbuk Institute of Science and Technology (DGIST) heeft een methode ontwikkeld om de efficiëntie van autonome mobiele robots (AMR’s) te verbeteren door informatieverwerking naar het voorbeeld van menselijk gedrag toe te passen. Onder leiding van professor Kyung-Joon Park van de afdeling Electrical Engineering and Computer Science en het Physical AI Center introduceerde het team een zogeheten “Physical AI”-technologie die nabootst hoe sociale informatie zich verspreidt en na verloop van tijd vervaagt.
Het onderzoek richt zich op een veelvoorkomende uitdaging in logistieke en industriële omgevingen, waar AMR’s regelmatig onvoorspelbare obstakels tegenkomen, zoals vorkheftrucks en verkeerd geplaatst materiaal. Traditionele systemen reageren hier doorgaans op met directe gedragsaanpassingen, wat leidt tot inefficiënte omwegen en vertragingen. De nieuwe aanpak maakt het mogelijk dat robots relevante informatie met elkaar delen en irrelevante gegevens geleidelijk vergeten, wat leidt tot beter afgestemde en efficiëntere navigatie.
De technologie werd getest in de Gazebo-simulator, een virtuele omgeving die een logistiek centrum nabootst. Uit de resultaten bleek dat robots die dit systeem gebruikten taken tot 18% sneller voltooiden en de gemiddelde rijtijd met maar liefst 30,1% wisten te verlagen in vergelijking met conventionele navigatiemethoden gebaseerd op ROS 2.
Volgens DGIST kan het systeem worden toegepast met behulp van 2D LiDAR, zonder extra hardware. Het werkt als een plug-in die compatibel is met de ROS 2-navigatiestack. Die compatibiliteit is bedoeld om integratie in bestaande AMR-systemen te vergemakkelijken, met mogelijke toepassingen in onder andere logistiek, dronecoördinatie, autonome voertuigen, slim verkeersbeheer in steden en grootschalige reddingsoperaties.
