NUST MISIS、ITMO 和 MIPT 的学生正在开发混乱移动的物体密集集群数字孪生，用于导航机器人。它将是一个使用图神经网络的网络服务，它将允许研究人群的物理学、动物群体行为的规律以及“活动物质”运动的原理。这些数据通常用于培训在拥挤空间中运行的快递机器人、无人机和其他自主设备。第一个结果发表在《物理学杂志：会议系列》上。
如果我们在地铁的人流中移动时，开始将视线集中在迎面而来的车流中的某个人，我们肯定会在人群中间停下来与某人相撞。当我们轻松地、“凭直觉”地穿过人群时，我们就会明确无误地选择所需的轨迹并在溪流中机动，而不会触及任何人。几乎每个人都可以做到，因为大脑就像一个复杂的神经网络。潜移默化地为意识，他利用多年积累的直觉知识，快速计算变化的条件并选择最佳路径。
现代工程师需要准确了解这种神经网络的工作原理，以采用其原理并将其集成到数字环境中。在密集集群(人、汽车、其他机器人等)中导航机器人的任务每年都变得越来越紧迫。同时，对于成功的设备管理，需要跟踪和推断此类集群中每个单独代理的轨迹，这是一项艰巨的任务。
这种系统在统计上可以有效地描述为“活性物质”，其中每个粒子本身都将能量泵入系统，并成功地使用混沌移动机器人的集合来模拟这种物质——例如，模仿一群鸟或一所学校的行为鱼。为此，需要创建活动物质的模拟，即生成群体行为。
为了实现这样的群体机器人系统，世界各地的许多实验室需要大量根据简单规律移动的机器人作为群体物理实验模拟的平台。但是，进行此类实验需要大量资源，并非所有科学团体都可以使用。
“实施这样的实验平台需要电路方面的能力，并且需要大量的财务成本来创建足够数量的结构同质机器人。作为替代方案，我们建议创建一个实验单元数字孪生，这可以消除成本其物理实现，并加速和自动化设置实验的过程。有效构建此类软件的能力得到了最近图神经网络在类似任务中的应用，包括流体动力学模拟，“Vadim Porvatov 说，他是该项目的负责人。学生研究团队，毕业于 NUST MISIS 工程控制论系。
据开发者介绍，项目组组装了一个由 100 个移动机器人组成的实验单元，用作神经网络算法的数据源。系统的运动正在用摄像机记录。OpenCV 库提供的算法将用作跟踪单个轨迹的主要工具。有关设置配置的信息以及由于机器人运动而获得的轨迹将用于训练图神经网络。
“开发的神经网络将使科学团体能够显着简化研究密集的混沌运动粒子簇中物理过程的过程，并可作为产品提供。测量机器人的所有坐标和速度将允许获得对发生过程的详尽描述在系统中，包括有关相变和机器人集群的信息，”该研究的合著者、博士生 Nikita Olekhno 解释说。ITMO物理学院的学生。
数字孪生的使用将使与混乱环境中的导航相关的行业研究成为可能。例如，NVidia 已经在使用虚拟模拟来开发无人驾驶车辆的导航算法。这项工作的结果可用于训练在密集交通中移动的地面无人机的控制算法。像这样的模拟对于测试快递机器人特别有用。
“目前，已经组装了一个相当复杂的实验单元，我们将继续使用它来创建一个数字孪生，”Nikita Olekhno 强调说。