Формальный язык описания навигационного поведения мобильных роботов
Ключевые слова:
интерпретирующая навигация, когнитивное представление пространства, когнитивная карта, семантически сегментированное изображение, большая языковая модельАннотация
Статья содержит результаты исследований в области формализации навигационного поведения мобильных роботов на основе когнитивного подхода к представлению пространства. Авторами предложен новый формальный язык LRNB (Language of Robot Navigation Behavior), предназначенный для описания информационно-двигательных действий, сценариев и миссий роботов в рамках интерпретирующей навигации. Ключевой особенностью когнитивного подхода является отказ от декартовой системы координат в пользу ориентированного графа – когнитивной карты, вершины которой соответствуют семантическим ориентирам, а рёбра – последовательностям действий, задаваемых на LRNB. Язык строится на универсальной структуре команды, обеспечивая возможность описания широкого спектра поведенческих паттернов: от простого движения вдоль объекта до сложных миссий с динамическими целями и логическими условиями. В работе представлены три метода построения когнитивных карт: на основе семантически сегментированных изображений, в процессе автономного исследования среды роботом, а также с использованием больших языковых моделей (БЯМ) для трансляции естественно-языковых инструкций в формальные команды LRNB. В качестве наиболее удобной иллюстрации для демонстрации возможностей LRNB проведена экспериментальная оценка возможностей БЯМ в автоматической генерации команд LRNB по текстовым описаниям. Показано, что на уровне отдельных информационно-двигательных действий модель демонстрирует высокую точность (95 % корректных преобразований), однако при переходе к формированию сложных составных сценариев эффективность критически снижается. Тем не менее, сделан вывод о практической применимости языка LRNB. Предложенный формальный язык LRNB демонстрирует высокую гибкость и выразительность, что делает его эффективным инструментом для описания сложного навигационного поведения мобильных роботов в разнообразных сценариях.
Литература
2. Спасский Б.А. К вопросу об автономной навигации сельскохозяйственных роботов // Робототехника и техническая кибернетика. 2025. Т. 13. №2. С. 85–90.
3. Zhu Z., et al. Visual-Inertial RGB-D SLAM With Encoders for a Differential Wheeled Robot // IEEE Sensors Journal. 2022. vol. 22. no. 6. pp. 5360–5371. DOI: 10.1109/JSEN.2021.3101370.
4. Slowak P., Kaniewski P. Stratified Particle Filter Monocular SLAM // Remote Sensing. 2021. vol. 13. no. 16. 3233 p. DOI: 10.3390/rs13163233.
5. Teixeira B., et al. Deep Learning for Underwater Visual Odometry Estimation // IEEE Access. 2020. vol. 8. pp. 44687–44701. DOI: 10.1109/ACCESS.2020.2978406.
6. Bala J.A., Adeshina S.A., Aibinu A.M. Advances in Visual Simultaneous Localisation and Mapping Techniques for Autonomous Vehicles: A Review // Sensors. 2022. vol. 22. no. 22. 8943 p. DOI: 10.3390/s22228943.
7. Li C., et al. Bridging the Gap Between Visual Servoing and Visual SLAM: A Novel Integrated Interactive Framework // IEEE Transactions on Automation Science and Engineering. 2022. vol. 19. no. 3. pp. 2245–2255. DOI: 10.1109/TASE.2021.3067792.
8. Yang S., et al. Visual SLAM Based on Semantic Segmentation and Geometric Constraints for Dynamic Indoor Environments // IEEE Access. 2022. vol. 10. pp. 69636–69649. DOI: 10.1109/ACCESS.2022.3185766.
9. Chen K., et al. Semantic Visual Simultaneous Localization and Mapping: A Survey // IEEE Transactions on Intelligent Transportation Systems. 2025. vol. 26. no. 6. pp. 7426–7449. DOI: 10.1109/TITS.2025.3556928.
10. Zhang T., et al. Endotaxis: A neuromorphic algorithm for mapping, goal-learning, navigation, and patrolling // eLife. 2024. vol. 12. DOI: 10.7554/eLife.84141.3.
11. Lobov S.A., et al. Spatial Memory in a Spiking Neural Network with Robot Embodiment // Sensors. 2021. vol. 21. no. 8. 2678 p. DOI: 10.3390/s21082678.
12. Babichev A., et al. Topological Schemas of Cognitive Maps and Spatial Learning // Frontiers in Computational Neuroscience. 2016. vol. 10. DOI: 10.3389/fncom.2016.00018.
13. Gupta S., et al. Cognitive Mapping and Planning for Visual Navigation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. pp. 2616–2625.
14. Zeng F., et al. Large Language Models for Robotics: A Survey // arXiv preprint arXiv:2311.07226. 2023.
15. Driess D., et al. PaLM-E: An Embodied Multimodal Language Model // arXiv preprint arXiv:2303.03378. 2023.
16. Wang F., et al. Object-Based Reliable Visual Navigation for Mobile Robot // Sensors. 2022. vol. 22. no. 6. 2387 p. DOI: 10.3390/s22062387.
17. Смирнова Е.Ю., Спасский Б.А. Организация супервизорного управления в сценариях экстремальной робототехники // Робототехника и техническая кибернетика. 2020. Т. 8. №4. С. 245–258. DOI: 10.31776/RTCJ.8401.
18. Hussain M. YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection // Machines. 2023. vol. 11. no. 7. 677 p. DOI: 10.3390/machines11070677.
19. Du Y., et al. StrongSORT: Make DeepSORT Great Again // IEEE Transactions on Multimedia. 2023. vol. 25. pp. 8725–8737. DOI: 10.1109/TMM.2023.3240881.
20. Матвеев В.Д., Архипов А.Е., Фомин И.С. Разработка модели семантической сегментации RTC-SAM для определения препятствий на пути мобильного робота // Известия ЮФУ. Технические науки. 2025. №2. С. 212–220. DOI: 10.18522/2311-3103-2025-2-212-220.
21. Add support for SAM3 // GitHub. URL: https://github.com/opengeos/segment-geospatial/pull/430 (дата обращения: 29.12.2025).
A Formal Language for the Description of Navigation Behavior of Mobile Robots
Abstract
The article presents research results in the field of formalizing the navigation behavior of mobile robots based on a cognitive approach to spatial representation. The authors propose a new formal language, LRNB (Language of Robot Navigation Behavior), designed for describing information-motor actions, scenarios, and missions of robots within the framework of interpretative navigation. The key feature of the cognitive approach is the abandonment of the Cartesian coordinate system in favor of an oriented graph – a cognitive map, where vertices correspond to semantic landmarks, and edges correspond to sequences of actions specified in LRNB. The language is built upon a universal command structure, enabling the description of a wide range of behavioral patterns: from simple movement along an object to complex missions with dynamic targets and logical conditions. The work presents three methods for constructing cognitive maps: based on semantically segmented images, during autonomous environment exploration by a robot, and using large language models to translate natural language instructions into formal LRNB commands. As the most convenient illustration for demonstrating the capabilities of LRNB, an experimental evaluation of the potential of LLMs for the automatic generation of LRNB commands from textual descriptions was conducted. It is shown that at the level of individual information-motor actions, the model demonstrates high accuracy (95% correct transformations); however, when transitioning to the formation of complex composite scenarios, effectiveness critically decreases. Nevertheless, a conclusion is drawn regarding the practical applicability of the LRNB language. The proposed formal language LRNB demonstrates high flexibility and expressiveness, making it an effective tool for describing complex navigation behavior of mobile robots in diverse scenarios.
Опубликован
Как цитировать
Раздел
Copyright (c) Антон Михайлович Корсаков, Виктория Владимировна Иванова, Сергей Анатольевич Половко
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).