I. Hướng dẫn về tối ưu đường đi cho robot 4 bánh tự hành
Lĩnh vực robotics đang phát triển mạnh mẽ. Trong đó, việc tối ưu đường đi robot 4 bánh đóng vai trò then chốt. Một lộ trình hiệu quả không chỉ giúp robot hoàn thành nhiệm vụ nhanh hơn mà còn tiết kiệm năng lượng và tăng độ an toàn. Bài viết này phân tích sâu các giải thuật và phương pháp tiên tiến, dựa trên nghiên cứu khoa học "Quy hoạch đường đi cho Car-like robot 4 bánh bằng giải thuật tối ưu" (SV2022-137). Mục tiêu là cung cấp một cái nhìn tổng quan, từ cơ sở lý thuyết đến ứng dụng thực tiễn, giúp các nhà nghiên cứu và kỹ sư nắm bắt những kỹ thuật hiệu quả nhất. Lập kế hoạch đường đi (Path Planning) là quá trình xác định một quỹ đạo tối ưu từ điểm xuất phát đến điểm đích. Quá trình này phải đảm bảo robot không va chạm với các vật cản trong môi trường. Đối với robot tự hành, khả năng này là yêu cầu cơ bản để hoạt động độc lập. Các phương pháp lập kế hoạch được chia thành hai loại chính: toàn cục (global) và cục bộ (local). Lập kế hoạch toàn cục yêu cầu robot phải có thông tin đầy đủ về bản đồ môi trường trước khi di chuyển. Ngược lại, lập kế hoạch cục bộ cho phép robot phản ứng với những thay đổi không lường trước bằng cách sử dụng dữ liệu từ cảm biến theo thời gian thực. Việc lựa chọn giải thuật phụ thuộc vào loại robot, độ phức tạp của môi trường và yêu cầu của nhiệm vụ. Các giải thuật kinh điển như giải thuật Dijkstra hay thuật toán A* thường được sử dụng cho các bài toán tìm đường đi trên đồ thị, trong khi các phương pháp hiện đại hơn như học máy lại mang đến khả năng thích ứng cao hơn. Bài viết sẽ tập trung vào một giải pháp kết hợp, giải quyết các thách thức đặc thù của robot 4 bánh.
1.1. Tầm quan trọng của việc lập kế hoạch đường đi hiệu quả
Việc lập kế hoạch đường đi là nền tảng cho sự vận hành của mọi robot tự hành. Một lộ trình được tối ưu hóa mang lại nhiều lợi ích. Trước hết, nó giảm thiểu thời gian di chuyển, giúp robot hoàn thành nhiệm vụ nhanh chóng hơn. Điều này đặc biệt quan trọng trong các ứng dụng công nghiệp như AGV (Automated Guided Vehicle) vận chuyển hàng hóa trong nhà kho, nơi hiệu suất là yếu tố quyết định. Thứ hai, một đường đi ngắn hơn đồng nghĩa với việc tiêu thụ ít năng lượng hơn, kéo dài thời gian hoạt động của robot và giảm chi phí vận hành. Cuối cùng, một kế hoạch đường đi thông minh phải tích hợp khả năng tránh vật cản một cách an toàn, giảm thiểu nguy cơ va chạm gây hư hỏng cho cả robot và môi trường xung quanh. Do đó, đầu tư vào nghiên cứu các giải thuật quy hoạch đường đi không chỉ là một yêu cầu kỹ thuật mà còn là một chiến lược kinh tế hiệu quả.
1.2. Phân loại các phương pháp điều hướng robot phổ biến
Các phương pháp điều hướng robot rất đa dạng. Chúng có thể được phân loại dựa trên cách tiếp cận. Phương pháp Road Map biểu diễn không gian tự do bằng một mạng lưới các đường đi một chiều. Các thuật toán như Visibility Graph và Voronoi Diagram thuộc nhóm này. Phương pháp Cell Decomposition chia không gian thành các ô đơn giản và tìm đường đi qua các ô liền kề. Bản đồ lưới chiếm dụng (Occupancy Grid Map) là một ví dụ điển hình. Phương pháp Potential Fields (Trường thế năng) tạo ra một trường lực ảo, với lực hút từ điểm đích và lực đẩy từ các vật cản, hướng robot di chuyển như một quả bóng lăn xuống dốc. Ngoài ra, các thuật toán tìm kiếm dựa trên đồ thị như thuật toán A* và giải thuật Dijkstra là những công cụ mạnh mẽ để tìm đường đi ngắn nhất trên bản đồ đã được biểu diễn dưới dạng đồ thị. Các kỹ thuật tiên tiến hơn sử dụng trí tuệ nhân tạo, chẳng hạn như học tăng cường (Reinforcement Learning), cho phép robot tự học cách điều hướng trong môi trường phức tạp mà không cần bản đồ trước.
II. Thách thức cốt lõi khi tối ưu đường đi robot 4 bánh
Việc tối ưu đường đi robot 4 bánh, đặc biệt là loại Car-like, đối mặt với nhiều thách thức hơn so với robot 2 bánh vi sai. Vấn đề lớn nhất xuất phát từ các ràng buộc về động học. Không giống như robot vi sai có thể quay tại chỗ, robot Car-like có bán kính quay tối thiểu. Điều này được gọi là ràng buộc Nonholonomic. Ràng buộc này giới hạn khả năng di chuyển của robot, khiến nó không thể di chuyển ngay lập tức theo mọi hướng. Ví dụ, một chiếc ô tô không thể di chuyển ngang một cách tức thời. Mọi quỹ đạo được tạo ra phải khả thi về mặt cơ học, nghĩa là đường đi phải đủ mượt mà để robot có thể bám theo mà không vi phạm góc lái tối đa. Theo nghiên cứu SV2022-137, "ràng buộc Nonholonomic sẽ ràng buộc về vận tốc nên sẽ liên quan đến các biểu thức đạo hàm và được sử dụng nhiều hơn trong nghiên cứu robot". Thách thức thứ hai là xử lý môi trường động. Trong thực tế, các vật cản có thể di chuyển, xuất hiện hoặc biến mất bất ngờ. Một giải thuật tối ưu đường đi phải có khả năng cập nhật lại lộ trình một cách nhanh chóng để tránh vật cản hiệu quả. Điều này đòi hỏi sự kết hợp giữa lập kế hoạch toàn cục và cục bộ, sử dụng dữ liệu từ các cảm biến như cảm biến LiDAR hay cảm biến siêu âm để nhận biết sự thay đổi của môi trường. Cuối cùng, bài toán tối ưu không chỉ dừng lại ở việc tìm đường đi ngắn nhất. Các yếu tố khác như độ mượt của quỹ đạo, mức tiêu thụ năng lượng, và thời gian tính toán cũng cần được xem xét để tạo ra một giải pháp toàn diện và thực tiễn cho các hệ thống robotics hiện đại.
2.1. Phân tích ràng buộc Nonholonomic trong robot Car like
Một hệ thống được gọi là có ràng buộc Nonholonomic khi số cơ cấu chấp hành nhỏ hơn số bậc tự do. Đối với robot Car-like, nó có 3 bậc tự do trên mặt phẳng (tọa độ x, y và góc định hướng) nhưng chỉ có 2 cơ cấu điều khiển (vận tốc tiến và góc lái). Do đó, robot không thể thay đổi vị trí và hướng một cách độc lập. Hướng di chuyển của robot luôn phải tiếp tuyến với quỹ đạo của nó. Điều này có nghĩa là robot không thể đi ngang. Bất kỳ thuật toán lập kế hoạch đường đi nào cũng phải tạo ra các đường cong mượt mà, tôn trọng bán kính quay tối thiểu của robot. Các đường đi gấp khúc, góc nhọn do các thuật toán tìm kiếm trên lưới tạo ra (như A*) là không khả thi cho robot Car-like. Đây là lý do tại sao các phương pháp làm mượt quỹ đạo như đường cong Dubins hay đường cong Bezier trở nên cực kỳ quan trọng.
2.2. Vấn đề tránh vật cản trong môi trường thực tế
Khả năng tránh vật cản là yếu tố sống còn của một robot tự hành. Trong môi trường tĩnh, nơi vị trí các vật cản không đổi, bài toán có thể được giải quyết bằng các thuật toán lập kế hoạch toàn cục. Tuy nhiên, trong thực tế, môi trường thường động với các vật thể di chuyển. Giải thuật phải có khả năng phát hiện vật cản bằng cảm biến LiDAR hoặc camera và phản ứng tức thì. Điều này đặt ra yêu cầu về tốc độ tính toán. Robot cần phải lập lại kế hoạch một phần hoặc toàn bộ lộ trình một cách nhanh chóng. Các phương pháp như Dynamic Window Approach (DWA) hay Vector Field Histogram (VFH) được thiết kế chuyên biệt cho việc tránh vật cản cục bộ, giúp robot điều hướng an toàn trong các tình huống phức tạp và khó lường.
III. Phương pháp lai ghép Tối ưu đường đi robot toàn diện
Để giải quyết đồng thời các thách thức về ràng buộc Nonholonomic và tránh vật cản, nghiên cứu SV2022-137 đề xuất một phương pháp lai ghép sáng tạo. Giải pháp này kết hợp sức mạnh của ba kỹ thuật riêng biệt: Giải thuật di truyền (Genetic Algorithm - GA), Trường thế năng đẩy (Repulsive Potential Field - RPF), và Đường cong Dubins. Cách tiếp cận này mang lại một lộ trình không chỉ ngắn mà còn an toàn và khả thi về mặt động học cho robot 4 bánh Car-like. Đầu tiên, Giải thuật di truyền được sử dụng để tìm ra đường đi ngắn nhất ban đầu trong một bản đồ tĩnh. GA hoạt động bằng cách mô phỏng quá trình tiến hóa, tạo ra một quần thể các đường đi tiềm năng và dần dần cải thiện chúng qua các thế hệ thông qua các toán tử lai ghép và đột biến. Tiếp theo, để tăng cường khả năng tránh vật cản, phương pháp Trường thế năng đẩy được áp dụng. Mỗi vật cản tạo ra một "lực đẩy" ảo, tác động lên các điểm trên đường đi do GA tạo ra. Lực này đẩy đường đi ra xa khỏi vùng nguy hiểm, tạo ra một khoảng cách an toàn. Cuối cùng, đường đi sau khi được điều chỉnh bởi RPF vẫn bao gồm các đoạn thẳng nối với nhau bằng các góc nhọn. Để giải quyết ràng buộc Nonholonomic, Đường cong Dubins được sử dụng để làm mượt các góc này, tạo ra một quỹ đạo trơn tru mà robot Car-like có thể đi theo một cách tự nhiên. Sự kết hợp này là một ví dụ điển hình về việc tích hợp các giải thuật khác nhau để tạo ra một giải pháp tối ưu đường đi robot 4 bánh toàn diện và hiệu quả.
3.1. Sử dụng Giải thuật di truyền GA để tìm lộ trình ban đầu
Giải thuật di truyền (GA) là một giải thuật tìm kiếm tối ưu dựa trên nguyên lý chọn lọc tự nhiên. Trong bài toán này, mỗi "cá thể" trong quần thể là một đường đi tiềm năng từ điểm đầu đến điểm cuối. Hàm thích nghi được định nghĩa dựa trên chiều dài của đường đi: đường đi càng ngắn, độ thích nghi càng cao. Quá trình tiến hóa bắt đầu với một quần thể ngẫu nhiên các đường đi khả thi (không cắt vật cản). Qua các thế hệ, các đường đi tốt nhất được chọn lọc để "lai ghép" và "đột biến", tạo ra các thế hệ con kế thừa những đặc tính tốt. Quá trình này lặp lại cho đến khi tìm được một đường đi đủ ngắn, hội tụ về một giải pháp tối ưu. Ưu điểm của GA là khả năng thoát khỏi các điểm tối ưu cục bộ và tìm kiếm giải pháp tối ưu toàn cục cho các bài toán lập kế hoạch đường đi phức tạp.
3.2. Áp dụng Trường thế năng đẩy để đảm bảo an toàn
Sau khi có đường đi ngắn nhất từ GA, bước tiếp theo là đảm bảo an toàn. Phương pháp Trường thế năng đẩy (RPF) được áp dụng để cải thiện việc tránh vật cản. Mỗi vật cản trong môi trường được coi là một nguồn tạo ra một trường lực đẩy. Vùng ảnh hưởng và cường độ của lực đẩy này phụ thuộc vào khoảng cách từ robot đến vật cản. Khi một điểm trên quỹ đạo nằm trong vùng ảnh hưởng của vật cản, nó sẽ bị một lực đẩy ra xa. Kết quả là toàn bộ đường đi được "uốn cong" một cách tự nhiên để né các chướng ngại vật, tạo ra một hành lang di chuyển an toàn. Phương pháp này đặc biệt hiệu quả trong việc tinh chỉnh lộ trình, đảm bảo robot không đi quá gần các góc hoặc các vật cản hẹp.
3.3. Làm mượt quỹ đạo với Đường cong Dubins cho robot Car like
Đường đi tạo ra bởi GA và RPF là một chuỗi các điểm nối với nhau, tạo thành các góc gãy. Một robot Car-like không thể thực hiện các cú rẽ đột ngột như vậy do ràng buộc Nonholonomic. Đường cong Dubins cung cấp giải pháp cho vấn đề này. Nó tìm ra quỹ đạo ngắn nhất giữa hai điểm với hai hướng cho trước, chỉ sử dụng các cung tròn với bán kính quay tối thiểu và các đoạn thẳng. Bằng cách áp dụng đường cong Dubins tại mỗi điểm chuyển hướng trên lộ trình, các góc nhọn được thay thế bằng các cung rẽ mượt mà. Điều này tạo ra một quỹ đạo cuối cùng hoàn toàn khả thi, giúp robot điều hướng robot một cách trơn tru, hiệu quả và tuân thủ các giới hạn về động học của nó.
IV. So sánh các giải thuật tìm đường đi kinh điển A và RRT
Bên cạnh phương pháp lai ghép được đề xuất, lĩnh vực robotics có nhiều giải thuật kinh điển đã được chứng minh hiệu quả. Việc hiểu rõ chúng giúp lựa chọn công cụ phù hợp cho từng bài toán cụ thể. Hai trong số các giải thuật nổi bật nhất là thuật toán A* (A-Star) và Rapidly-exploring Random Tree (RRT). Thuật toán A* là một thuật toán tìm kiếm trên đồ thị, được coi là một biến thể thông minh hơn của giải thuật Dijkstra. Nó tìm đường đi ngắn nhất từ điểm đầu đến điểm cuối trên một bản đồ dạng lưới hoặc đồ thị. Điểm mạnh của A* là nó đảm bảo tìm ra đường đi tối ưu (ngắn nhất) nếu tồn tại, và thường nhanh hơn Dijkstra nhờ sử dụng một hàm heuristic để ước tính chi phí đến đích. Tuy nhiên, A* hoạt động tốt nhất trong không gian có chiều thấp và có thể trở nên chậm chạp khi bản đồ quá lớn hoặc phức tạp. Một nhược điểm khác là đường đi nó tạo ra thường có dạng "zig-zag", không phù hợp cho robot có ràng buộc Nonholonomic nếu không có bước xử lý làm mượt sau đó. Trong khi đó, thuật toán RRT là một giải thuật lấy mẫu ngẫu nhiên, được thiết kế để xử lý hiệu quả các bài toán lập kế hoạch đường đi trong không gian có chiều cao và nhiều chướng ngại vật phức tạp. Thay vì khám phá toàn bộ không gian, RRT xây dựng một cây các đường đi khả thi từ điểm bắt đầu, mở rộng dần ra các vùng chưa được khám phá. RRT rất nhanh trong việc tìm ra một đường đi khả thi, nhưng không đảm bảo đó là đường đi tối ưu. Biến thể RRT* giải quyết vấn đề này bằng cách tối ưu hóa cây khi nó phát triển, dần hội tụ về lộ trình tốt nhất.
4.1. Nguyên lý hoạt động của thuật toán A và Dijkstra
Giải thuật Dijkstra tìm đường đi ngắn nhất từ một nút nguồn đến tất cả các nút khác trong đồ thị có trọng số cạnh không âm. Nó hoạt động bằng cách mở rộng vùng tìm kiếm một cách đồng đều ra mọi hướng. Thuật toán A* cải tiến điều này bằng cách thêm một hàm ước tính heuristic (h(n)), là chi phí ước tính từ nút hiện tại n đến đích. A* ưu tiên các nút không chỉ có chi phí di chuyển từ điểm bắt đầu thấp (g(n)) mà còn có chi phí ước tính đến đích thấp. Tổng chi phí f(n) = g(n) + h(n) sẽ hướng cuộc tìm kiếm về phía mục tiêu, giúp giảm đáng kể không gian cần khám phá so với Dijkstra. Cả hai đều là nền tảng trong việc điều hướng robot trên các bản đồ dạng lưới.
4.2. Khám phá thuật toán RRT trong không gian phức tạp
Thuật toán RRT đặc biệt mạnh mẽ trong các môi trường có nhiều vật cản hoặc không gian cấu hình có số chiều lớn (ví dụ: tay máy robot). Nó hoạt động bằng cách chọn một điểm ngẫu nhiên trong không gian, tìm nút gần nhất trên cây hiện có và mở rộng một nhánh mới từ nút đó về phía điểm ngẫu nhiên một khoảng cách nhỏ. Quá trình này được lặp lại, cho phép cây nhanh chóng "khám phá" các khu vực trống và tìm đường vòng qua các chướng ngại vật. Do tính ngẫu nhiên, RRT phù hợp cho việc lập kế hoạch đường đi nhanh chóng nhưng không tối ưu về độ dài. Biến thể RRT* cải thiện bằng cách "nối lại" các nhánh của cây để luôn duy trì đường đi ngắn nhất từ gốc đến mỗi nút, do đó hội tụ về giải pháp tối ưu theo thời gian.
V. Ứng dụng thực tiễn Mô phỏng và xây dựng robot 4 bánh
Từ lý thuyết đến thực tiễn, việc hiện thực hóa các giải thuật tối ưu đường đi robot 4 bánh đòi hỏi sự kết hợp giữa phần mềm mô phỏng và phần cứng vật lý. Nghiên cứu SV2022-137 đã chứng minh tính hiệu quả của giải thuật đề xuất thông qua mô phỏng robot trên Matlab, đồng thời xây dựng một mô hình robot Car-like vật lý để kiểm chứng các chức năng cơ bản. Quá trình mô phỏng cho phép kiểm tra và tinh chỉnh thuật toán trong một môi trường được kiểm soát trước khi triển khai trên phần cứng. Các công cụ như Gazebo, V-REP hay Matlab cung cấp môi trường ảo hóa, nơi các nhà nghiên cứu có thể tạo bản đồ, đặt vật cản, và mô phỏng động học của robot. Đây là bước quan trọng để đánh giá hiệu suất và tìm ra các tham số tối ưu cho thuật toán. Sau khi thuật toán được xác thực qua mô phỏng, bước tiếp theo là triển khai trên một robot thật. Mô hình trong nghiên cứu sử dụng các linh kiện phổ biến như Arduino Mega 2560 làm bộ điều khiển chính, giao tiếp với các cảm biến và cơ cấu chấp hành. Một cảm biến LiDAR được sử dụng để thu thập dữ liệu về môi trường, giúp robot phát hiện vật cản. Dữ liệu này là đầu vào quan trọng cho các thuật toán tránh vật cản. Việc lập trình và tích hợp các thành phần này thường được thực hiện trên các nền tảng như ROS (Robot Operating System), một framework mạnh mẽ cung cấp các thư viện và công cụ tiêu chuẩn cho việc phát triển phần mềm robotics. Sự kết hợp giữa mô phỏng và thực nghiệm là chìa khóa để xây dựng các hệ thống robot tự hành đáng tin cậy.
5.1. Tích hợp cảm biến LiDAR và siêu âm để nhận dạng môi trường
Để robot có thể tự hành, nó cần "mắt" để nhìn thế giới xung quanh. Cảm biến LiDAR (Light Detection and Ranging) là một trong những lựa chọn hàng đầu. Nó hoạt động bằng cách phát ra các tia laser và đo thời gian phản xạ lại để tính toán khoảng cách đến các vật thể, tạo ra một đám mây điểm 360 độ chi tiết về môi trường. Dữ liệu này được dùng để xây dựng bản đồ lưới chiếm dụng và phát hiện vật cản. Bên cạnh LiDAR, cảm biến siêu âm thường được sử dụng như một phương án bổ sung hoặc dự phòng chi phí thấp. Chúng phát ra sóng siêu âm và đo thời gian sóng dội lại, phù hợp để phát hiện các vật cản ở cự ly gần. Việc kết hợp dữ liệu từ nhiều loại cảm biến (sensor fusion) giúp tăng độ tin cậy và chính xác cho hệ thống nhận thức của robot.
5.2. Lập trình điều khiển trên ROS Arduino và Raspberry Pi
ROS (Robot Operating System) là một framework tiêu chuẩn công nghiệp cho lập trình robot. Nó cung cấp một cấu trúc giao tiếp dựa trên các "node" (tiến trình) trao đổi thông điệp với nhau, giúp việc tích hợp các thành phần phần cứng và phần mềm trở nên dễ dàng. Các thuật toán lập kế hoạch đường đi phức tạp thường chạy trên một máy tính mạnh hơn như Raspberry Pi hoặc máy tính nhúng có cài đặt ROS. Máy tính này sẽ xử lý dữ liệu cảm biến và gửi lệnh điều khiển cấp cao. Các vi điều khiển cấp thấp như Arduino sau đó nhận các lệnh này (ví dụ: tốc độ động cơ, góc lái) và trực tiếp điều khiển phần cứng thông qua tín hiệu PWM. Mô hình phân cấp này cho phép tận dụng sức mạnh xử lý của máy tính và khả năng điều khiển thời gian thực của vi điều khiển.
VI. Xu hướng tương lai của tối ưu đường đi và robot tự hành
Lĩnh vực tối ưu đường đi robot 4 bánh và robot tự hành đang không ngừng phát triển, được thúc đẩy bởi những tiến bộ trong trí tuệ nhân tạo và công nghệ cảm biến. Hai trong số những xu hướng định hình tương lai của ngành này là SLAM (Simultaneous Localization and Mapping) và Học tăng cường (Reinforcement Learning). SLAM là khả năng robot vừa xây dựng bản đồ của một môi trường không xác định, vừa đồng thời xác định vị trí của chính nó trên bản đồ đó. Đây là năng lực cốt lõi cho phép robot hoạt động hoàn toàn tự chủ trong các không gian mới mà không cần bản đồ cung cấp trước. Các thuật toán SLAM, thường sử dụng dữ liệu từ cảm biến LiDAR hoặc camera, là nền tảng cho các ứng dụng như xe tự lái, robot dọn dẹp tự động và máy bay không người lái thám hiểm. Khi robot có thể tự tạo bản đồ, các thuật toán lập kế hoạch đường đi có thể hoạt động linh hoạt và hiệu quả hơn rất nhiều. Một hướng đi đột phá khác là áp dụng Học tăng cường. Thay vì lập trình rõ ràng các quy tắc điều hướng, phương pháp này cho phép robot tự học cách di chuyển thông qua quá trình thử và sai. Robot nhận được "phần thưởng" cho các hành động tốt (tiến về đích, tránh vật cản) và "hình phạt" cho các hành động xấu (va chạm). Qua hàng triệu lần thử trong môi trường mô phỏng, robot có thể học được các chiến lược điều hướng robot phức tạp và tối ưu mà con người khó có thể lập trình thủ công. Sự kết hợp giữa SLAM và học tăng cường hứa hẹn tạo ra một thế hệ robot tự hành thông minh và linh hoạt hơn bao giờ hết.
6.1. Vai trò của SLAM trong lập bản đồ và định vị đồng thời
SLAM giải quyết bài toán "con gà và quả trứng" trong robotics: để lập bản đồ, robot cần biết vị trí của nó, nhưng để biết vị trí, nó lại cần một bản đồ. Các thuật toán SLAM như GMapping, Hector SLAM hay ORB-SLAM2 giải quyết vấn đề này bằng cách liên tục cập nhật cả bản đồ và ước tính vị trí của robot dựa trên dữ liệu cảm biến đến. Một hệ thống robot tự hành được trang bị SLAM có thể được triển khai trong một nhà kho hoàn toàn mới, tự động lập bản đồ không gian và sau đó sử dụng bản đồ đó để thực hiện các nhiệm vụ vận chuyển hàng hóa với các AGV một cách hiệu quả.
6.2. Tiềm năng của học tăng cường trong điều hướng robot thông minh
Học tăng cường (Reinforcement Learning) đang mở ra những khả năng mới cho việc điều hướng robot. Các mô hình học sâu (Deep Reinforcement Learning) có thể học trực tiếp từ dữ liệu cảm biến thô (như hình ảnh từ camera) để đưa ra quyết định lái. Phương pháp này cho phép robot xử lý các tình huống cực kỳ phức tạp, chẳng hạn như di chuyển trong đám đông hoặc trên địa hình gồ ghề. Thay vì dựa vào các mô hình hình học và quy tắc cứng, robot học được một "trực giác" về cách di chuyển an toàn và hiệu quả. Trong tương lai, các kỹ thuật này có thể giúp robot thích ứng nhanh chóng với những môi trường chưa từng thấy, đưa khả năng tự chủ lên một tầm cao mới.
