Привет, Хабр! В прошлый раз я писал об эволюции роботов-пылесосов: мы отследили их путь от обычного «глотателя пыли» на колесиках до умной системы. Сегодня предлагаю узнать, как ваш домашний помощник ориентируется в пространстве. Разберемся, как устроено «зрение» робота, что за сенсоры и алгоритмы помогают ему действовать. Заодно обсудим, что ждет нас в будущем — от миниатюрных лидаров до адаптивных систем, заимствованных у беспилотных автомобилей.

Сенсоры, датчики, движение. Зачем все это?

Если бы у робота был только один «глаз», он бы постоянно ошибался. Камера слепнет в темноте, инфракрасный датчик путается на черных коврах, ультразвук распознает провод, но не способен точно очертить контур мебели. Поэтому современные модели объединяют несколько технологий. Каждый сенсор решает специфическую задачу. Вместе они помогают роботу «увидеть» и «почувствовать» окружающий мир. 

Базовые технологии

Инфракрасные сенсоры — самые распространенные и дешевые. Различают отражательные датчики и ToF (Time-of-Flight). Первые оценивают интенсивность отраженного света, вторые вычисляют расстояние по времени прохождения светового импульса или по фазовому сдвигу модулированного сигнала. С их помощью роботы обнаруживают стены, перепады высоты и покрытие пола. Проблема в том, что темные ковры или глянцевые покрытия «поглощают» сигнал, и робот может принять их за пустоту.

Ультразвуковые сенсоры. Они излучают ультразвук и фиксируют время его возвращения. Такая схема позволяет уверенно распознавать даже тонкие объекты — например, провода или ножки стульев. Но дальность ограничена (обычно 1–2 метра), а угловое разрешение низкое, поэтому чаще всего они выступают вспомогательной технологией.

Камеры дают роботу возможность «видеть» пространство почти так же, как это делает человек. В отличие от лидара, они различают текстуры, контуры и мелкие предметы: носки, провода, игрушки. 

Контактные сенсоры. Простейшая реализация — бампер с датчиками касания. Если робот сталкивается с объектом, он получает сигнал и меняет направление. Такая система остается в бюджетных моделях как резервная защита на случай, если остальные сенсоры промолчали. К слову, она неплохо работает.

Инерциальные модули (IMU) включают гироскопы и акселерометры. Они фиксируют угловые повороты и ускорения корпуса, помогают держать курс и корректировать траекторию. В связке с одометрией (счетчиком вращений колес) IMU позволяет роботу двигаться по заданным производителем паттернам — зигзагом или спиралью — даже без карты.

Контроллеры моторов и дополнительные датчики. Эти элементы управляют вращением колес и всасыванием. Они обеспечивают точные повороты, плавные ускорения и регулировку мощности в зависимости от покрытия. А еще используются микрофоны (для фиксации шума мусора и диагностики моторов) и датчики давления или воздушного потока (для оценки заполненности контейнера).

Навигация и построение карты

Одного распознавания объектов недостаточно — роботу нужно определять свое местоположение в пространстве. Для этого применяются алгоритмы картографирования и локализации.

SLAM (Simultaneous Localization and Mapping) одновременно строит карту и показывает положение робота на ней. Алгоритм корректирует ошибки одометрии, замыкает петли (узнает уже посещенные участки) и обновляет информацию при изменениях обстановки. Большинство моделей использует двумерные «карты занятости» (occupancy grid), где пространство делится на ячейки. Полноценные 3D-карты в бытовой сфере редки.

vSLAM (Visual SLAM) работает с камерами и алгоритмами компьютерного зрения. Система ищет ключевые точки (углы мебели, края стен), сопоставляет их и строит карту. Преимущества — компактность и распознавание мелких объектов. Недостаток — сильная зависимость от освещения.

Слияние данных. Система сенсоров не всегда дает согласованную картину: лидар ошибается на зеркальных поверхностях, камера теряет информативность в темноте. Чтобы избежать сбоев, используется объединение показаний разных датчиков. Алгоритмы вроде фильтра Калмана сглаживают шум и повышают устойчивость работы. В итоге лидар формирует основу карты, камера добавляет детали, а IMU помогает удерживать ориентацию.

Планирование маршрута. После построения карты роботу нужно рассчитать движение. Современные модели используют систематические схемы — змейку или ячеистое покрытие. Датчики загрязненности позволяют динамически менять приоритеты: особо сложные зоны убираются повторно и с повышенной мощностью.

Как сенсоры работают в реальных сценариях

Представьте один вечер обычной квартиры. Робот выходит с базы и сразу попадает в темный коридор. Здесь почти нет света, зато есть двери и узкие проходы. В таких условиях неплохо срабатывает связка «лидар плюс IMU». Лазер «срисовывает» стены и проемы, инерциальный модуль удерживает ориентацию, а планировщик прокладывает оптимальный маршрут. Камера, если она есть, в этой ситуации дает минимальный вклад в общую работу — ей банально не хватает освещения. Это тот случай, когда опора на картографию важнее распознавания мелких предметов.

Дальше — детская. Свет есть, но на полу провод для зарядки, конструктор и пара мягких игрушек. Тут лидар продолжает давать опорную геометрию, а камера с vSLAM замечает мелкие контуры и текстуры, которые лазеру не всегда удаются. Если в системе есть ультразвук, он помогает поймать тонкий кабель или ножку стула по акустическому отражению. Технология слияния данных объединяет разрозненные сигналы в единую модель, а поведенческая логика направляет робота в обход препятствий. 

На очереди гостиная со стеклянной дверью шкафа и большим зеркалом. Лидар здесь осторожничает: зеркало возвращает «обманчивый» сигнал, стекло местами дает «провал». Камера подтверждает контур, IMU уточняет траекторию. В крайнем случае в дело вступает контактный бампер — уборщик тычется в стену и отходит, «понимая», что в этом месте не пройти.

Больше всего грязи обычно скапливается в кухне и прихожей. Робот это «замечает»: оптические датчики показывают, что на полу есть пыль и крошки, а микрофоны слышат удары частиц внутри тракта. Получив такие сигналы, робот переключается на усиленный режим — увеличивает мощность, замедляется и проходит участок еще раз по спирали. Так он не тратит силы на чистую поверхность, а убирает именно там, где грязи больше всего.

Комната с коврами — отдельная история. На ворсе сопротивление колес растет, ИК-сенсоры «понимают» изменение типа покрытия. Некоторые системы даже способны определить кромку ковра по высоте и фактуре. Планировщик переключает профиль: увеличивается мощность, активируется турбощетка. Если у робота есть модуль влажной уборки, он приподнимает швабру, проходя ковер. Никакой магии тут нет — робот просто отслеживает показания датчиков. Если скорость потока воздуха в тракте уменьшается из-за ковра или скопившегося мусора, а колеса начинают крутиться с бо́льшим усилием, программа распознает, что под системой сложный участок, и корректирует режим работы.

Ну хорошо, ковры пройдены. Теперь новый этап. В коридор тянется узкая галерея, у спальни два входа, в квартире есть лестница на антресоль. Для работы на уровне всего помещения используется SLAM — технология одновременной локализации и построения карт. Она создает схемы помещений, где отмечаются занятые и свободные участки. Чтобы компенсировать накопленные ошибки в ориентации, алгоритм «замыкает петли», то есть сверяет текущие наблюдения со старыми. Дополнительно робот хранит координаты стыков между этажами и точки возврата, чтобы при необходимости вернуться на базу. Помогает в работе и искусственный интеллект, превращая «сырые» сигналы сенсоров в понятные машине решения. 

Когда контейнер заполняется, это слышно и «осязаемо» для машины. Датчики давления и потока воздуха замечают, что сопротивление выросло, микрофоны фиксируют изменение акустической картины в тракте, и контроллер предлагает паузу на обслуживание или сам едет к док-станции. 

Конечно, все эти технологии не безупречны. Темные и глянцевые поверхности сбивают ИК-сенсоры. Зеркала и стеклянные двери создают ложные сигналы для лидара. Камеры теряют точность в темноте. SLAM подвержен шумам в помещениях со множеством движущихся объектов. Кабели и мелкие предметы могут оставаться незамеченными без ультразвука или 3D-сканирования.

Куда катятся домашние роботы: от пылесосов к умным помощникам

Системы уборки становятся все умнее, они постепенно эволюционируют. Старые инфракрасные датчики, которые часто путались в сложных комнатах, уступают место компактным 3D-камерам. Они проще, легче и не боятся тряски. Например, в Roborock S8 MaxV Ultra такие сенсоры настолько аккуратны, что робот без проблем заезжает под мебель, не цепляясь за ножки дивана.

Благодаря новым системам навигации и улучшенным алгоритмам робот может прямо на месте распознать разбросанные носки, провода или лужу на полу и ловко их объехать — без отправки данных в облако. Это ускоряет работу и снимает вопросы с приватностью. Флагманы вроде Ecovacs Deebot X9 Pro Omni показывают, как встроенный ИИ помогает уверенно маневрировать даже в хаосе детской комнаты или заставленной гостиной.

Простые сенсоры тоже становятся умнее. По звуку можно определить, работает ли турбина в штатном режиме или фильтр скоро забьется. Контроль влажности и температуры помогает экономить воду при мойке и дольше сохранять расходники в нормальном состоянии. В результате робот не «задыхается» неожиданно, а заранее предупреждает, что ему нужно обслуживание.

Алгоритмы просчета маршрутов становятся более гибкими. Система уже замечает, что в прихожей каждый вечер накапливается грязь, и планирует дополнительный проход, пока вы на работе.

Появляются и новые форм-факторы. Например, модели с манипуляторами, способными поднять с пола мелкие объекты. В целом домашние роботы уже не просто пылесосы, а помощники, чувствующие ритм жизни вашего дома. Это не про технологии ради технологий, а про комфорт.