Micromouse – zawody autonomicznych robotów rozwiązujących labirynty

Micromouse to jedna z najbardziej intelektualnie wymagających i technicznie złożonych konkurencji robotycznych na świecie, w której małe autonomiczne roboty pokonują standaryzowane labirynty, aby w możliwie najkrótszym czasie dotrzeć z punktu startu do celu. Zainicjowane pod koniec lat 70. jako wyzwanie zaproponowane przez magazyn IEEE Spectrum, zawody rozwinęły się w globalne zjawisko obejmujące wyrafinowane algorytmy, precyzyjną inżynierię sprzętu i innowacyjną mechanikę.

Od początku Micromouse ewoluowało od prostych mechanizmów „wall-following” do wysoko zoptymalizowanych systemów zdolnych pokonać labirynt w mniej niż cztery sekundy, przesuwając granice autonomicznej nawigacji, planowania trasy i sterowania robotami w skali urządzeń mieszczących się w dłoni. Ten artykuł omawia wieloaspektową naturę zawodów Micromouse, obejmując ich historię, specyfikacje techniczne, podejścia algorytmiczne, innowacje sprzętowe oraz globalny krajobraz rywalizacji.

Rozwój historyczny i globalna ewolucja zawodów Micromouse

Koncepcja Micromouse wyłoniła się z dyskusji o automatyzacji i sztucznej inteligencji w latach 70., stając się jedną z najdłużej trwających konkurencji robotycznych na świecie. Magazyn IEEE Spectrum przedstawił ideę w maju 1977 roku, ogłaszając zawody na 1979 r. w Nowym Jorku. Zgłoszono około 6000 projektów, choć do finału dotarło tylko 15 konstrukcji. Triumfatorem pierwszej edycji w 1979 r. był Moonlight Flash, który wygrał dzięki zaskakująco prostej strategii podążania wzdłuż ściany — co skłoniło organizatorów do szybkiej zmiany zasad, by premiować „inteligentne” algorytmy zamiast mechanicznych trików.

Europejska ekspansja rozpoczęła się od pierwszych zawodów w Londynie w 1980 r., zorganizowanych przez profesora Johna Billingsleya (Portsmouth Polytechnic). Kluczowa zmiana polegała na umieszczeniu celu w centrum labiryntu oraz projektowaniu układów, w których „wall-following” nie działa, co wymusiło rozwój bardziej zaawansowanych metod nawigacji. W 1980 r. duże zainteresowanie (200 zapytań i 100 zgłoszeń) przełożyło się na 9 finalistów; Sterling Mouse Nicka Smitha jako pierwszy dotarł do centrum i rozpoznał cel, osiągając ok. 0,18 m/s — skromną prędkość według dzisiejszych standardów, lecz imponującą na tle ówczesnej technologii.

W latach 80. zawody szybko rozwijały się w Europie i Ameryce Północnej. W 1985 r. w Tsukubie (Japonia) odbyły się pierwsze światowe mistrzostwa, a japońskie zespoły szybko zdominowały rywalizację — Noriko-1 wygrał inauguracyjną edycję, a Japończycy zajęli sześć z siedmiu czołowych miejsc. Mistrzostwa w Japonii stały się najbardziej prestiżową imprezą Micromouse na świecie. W 1987 r. pierwsze zawody zorganizowano w USA (Atlantic City), a w tym samym roku dołączył Singapur, co potwierdziło rosnącą popularność w regionie Azji i Pacyfiku.

Współczesna era to gwałtowny wzrost możliwości technicznych i skali uczestnictwa. All Japan Micromouse Competition uchodzi dziś za najbardziej historyczne i prestiżowe wydarzenie (listopad), przyciągając zawodników z Japonii, Tajwanu, Singapuru, Chin, USA i Europy. Taiwan Micromouse Intelligent Robot Contest (wrzesień) oraz APEC Micromouse Contest (luty–kwiecień) tworzą drugi i trzeci poziom międzynarodowej rywalizacji. Poza nimi działają liczne zawody krajowe i regionalne (m.in. Wielka Brytania, Singapur, Portugalia, Indie, Korea Południowa, Sri Lanka). USA utrzymują silną infrastrukturę konkurencyjną dzięki zawodom regionalnym IEEE oraz corocznej All America Micromouse Competition na UCLA.

Projekt labiryntu i zasady rywalizacji

Standaryzowany labirynt umożliwia uczciwe porównania między różnymi konstrukcjami. Standard Micromouse to siatka 16×16 pól, każde o wymiarach 18 cm × 18 cm (powierzchnia ok. 2,88 m²). Ściany mają 5 cm wysokości i 1,2 cm grubości; boki są białe, górne krawędzie czerwone, a podłoże czarne (kolory mogą się różnić między zestawami). Start znajduje się w jednym z czterech narożników; pomiar czasu zaczyna się, gdy myszka opuszcza pole startowe. Cel to brama prowadząca do czteropolowego kwadratu w centrum, z tylko jedną dostępną bramą.

Konstrukcja labiryntu uniemożliwia proste rozwiązania mechaniczne. W każdym węźle siatki znajduje się co najmniej jedna ściana, zapewniając spójną geometrię. Istnieje wiele dróg do celu, ale układ jest tak projektowany, by „wall-following” nie doprowadził do centrum — co wymusza mapowanie i planowanie ścieżek. Organizatorzy ostrzegają, że podłoga może być złożona z kilku arkuszy sklejki (ryzyko zahaczeń nisko zawieszonych elementów), a tarcie podłoża bywa niespójne między arenami.

W 2009 r. wprowadzono wariant Half-Size (po raz pierwszy na 30. All Japan), z labiryntem 32×32 i wszystkimi wymiarami o połowę mniejszymi (pola 9 cm, proporcjonalnie cieńsze ściany). Oba formaty pozwalają na wielokrotne próby w limicie czasu.

Dla przejrzystości, poniżej porównanie kluczowych parametrów dwóch formatów labiryntu:

Parametr	Standard	Half-Size
Rozmiar siatki	16 × 16 pól	32 × 32 pól
Wymiar pojedynczego pola	18 cm × 18 cm	9 cm × 9 cm
Wysokość ścian	5 cm	~2,5 cm
Grubość ścian	1,2 cm	~0,6 cm
Położenie celu	centrum (kwadrat 2 × 2)	centrum (kwadrat 2 × 2)

Poniżej zebrano kluczowe zasady rywalizacji, które mają największy wpływ na strategię i konstrukcję robotów:

• limit czasu dostępu – 10 minut na wszystkie próby w danej rundzie;
• wielokrotne przejazdy – dozwolone przerwanie i powrót do startu w celu korekt;
• kara za restart – 30 s doliczane do czasu przed kolejną próbą;
• blokada zmian oprogramowania – po ujawnieniu układu nie wolno przeprogramowywać robota;
• klasyfikacja – liczy się najszybszy pojedynczy przejazd uzyskany w limicie czasu.

Format nagradza wieloetapowe mistrzostwo. Najpierw robot eksploruje labirynt, wykrywając ściany i tworząc mapę; potem zwykle prowadzi dodatkowe poszukiwania, by zoptymalizować trasę. Po ustaleniu optymalnej trasy dozwolone są przejazdy szybkościowe z maksymalną prędkością, a klasyfikację końcową określa najszybszy pojedynczy przejazd.

Algorytmy rozwiązywania labiryntu i strategie nawigacji

Podejścia algorytmiczne Micromouse należą do najbardziej zaawansowanych metod planowania ścieżki w robotyce autonomicznej. Wczesne triumfy opierały się na trywialnych metodach, takich jak podążanie wzdłuż ściany — dziś nieskuteczne wobec centralnego celu i układów blokujących tę strategię.

Przeszukiwanie w głąb (DFS) gwarantuje znalezienie celu, lecz często nie minimalizuje długości trasy i marnuje czas na ślepych zaułkach. Przeszukiwanie wszerz (BFS) zapewnia najkrótszą drogę w liczbie pól, ale wymaga licznych powtórzeń odcinków, co czyni je niekonkurencyjnym czasowo.

Najpopularniejszym i najskuteczniejszym podejściem stał się „flood-fill”. Algorytm przypisuje każdej komórce wartość odległości od celu (cel = 0), a mysz kieruje się do sąsiedniej komórki o niższej wartości, aktualizując mapę po wykryciu nowych ścian i ograniczeń. W zaawansowanych implementacjach stosuje się dwie fazy eksploracji (do celu i z powrotem), co zwiększa szanse odnalezienia globalnie najszybszej trasy i często pozwala pominąć nieistotne rejony labiryntu.

Kluczowe jest rozróżnienie „najkrótszej” i „najszybszej” ścieżki. Mysz Red Comet Masakazu Utsunomiyi w 2017 r. celowo wybrała trasę o 5,5 m dłuższą od geometrycznie najkrótszej, ale z mniejszą liczbą ciasnych skrętów, co pozwoliło utrzymać wyższą średnią prędkość i uzyskać 7,284 s (konkurenci na krótszej trasie mieli ok. 7,4 s). Współczesne algorytmy szukają zatem trasy najszybszej, a nie tylko najkrótszej, uwzględniając dynamikę robota (przyspieszenie, promień skrętu, redukcje prędkości).

Dla szybkiego porównania poniżej zestawienie najczęściej stosowanych podejść wraz z ich charakterem działania:

• DFS (depth-first search) – pewne dojście do celu kosztem zbędnych powtórzeń i ślepych zaułków;
• BFS (breadth-first search) – najkrótsza trasa w liczbie pól, lecz powolna w realnym czasie przejazdu;
• flood-fill – dynamiczna mapa potencjałów z aktualizacją po detekcji ścian i wyborem komórki o najniższej wartości;
• A* – planowanie kosztowe z heurystyką, preferujące fizycznie szybsze odcinki i łagodniejsze manewry;
• algorytm Dijkstry – dokładne wyznaczanie najniższego kosztu trasy po zdefiniowaniu wag łuków i skrętów.

W praktyce flood-fill bywa łączony z metodami grafowymi oraz preobliczaniem profili prędkości dla segmentów trasy, przewidując przyspieszenia i hamowania przed każdym zakrętem.

Architektura sprzętowa i systemy czujników

Projekt myszki to złożona synteza mechaniki, elektroniki i sterowania, ograniczona wymiarami: robot musi się mieścić w 25 × 25 cm (bez limitu wysokości, ale bez przekroczenia tego gabarytu podczas pracy). W praktyce konkurencyjne konstrukcje mają zwykle 75–100 mm szerokości i 80–100 mm długości.

Podstawą percepcji są czujniki podczerwieni (IR) — dioda IR i fototranzystor mierzą odbitą intensywność, co pozwala wykrywać ściany i szacować odległość. Ich przewagi to bezkontaktowość, szybka odpowiedź i analogowy sygnał odległości. Wdrożeniowo wymagają jednak odporności na światło otoczenia, kompensacji nieliniowości oraz zależności kątowej, dlatego powszechne są układy z modulacją i detekcją synchroniczną.

Coraz częściej stosuje się czujniki time-of-flight (ToF), np. VL53L0X (870 nm), zapewniające lepszą liniowość i mniejszą wrażliwość na światło otoczenia. Montuje się zwykle 3–5 czujników (lewy, prawy, przód, czasem skośne) dla pełnej świadomości otoczenia i stabilizacji kursu.

Napęd i przekładnia determinują przyspieszenie, prędkość maksymalną i responsywność. Stosuje się małe silniki DC z redukcją, dobierane pod kątem charakterystyki moment–obroty i zasilania. Typowe pobory prądu sięgają 0,6–2,0 A, co wymaga odpowiednich sterowników, np. DRV8833 lub DRV8835, sterowanych PWM.

Zasilanie jest krytyczne. Dominują akumulatory LiPo 2S (7,4 V), dobierane pod kątem pojemności, wydajności prądowej i masy. Popularne są 110–150 mAh o 20–25C. 110 mAh × 25C = 2,75 A maksymalnego prądu — musi on przewyższać łączne zapotrzebowanie silników, sterowników i czujników.

Koła i opony wpływają na trakcję i prowadzenie: większa średnica zwiększa prędkość maksymalną, mniejsza poprawia przyspieszenie; miękkie gumy dają przyczepność kosztem zużycia, twardsze materiały (np. nitryl) — odwrotnie. Łożyskowanie musi minimalizować opory przy zachowaniu osiowości.

Enkodery kół zapewniają sprzężenie zwrotne do nawigacji odometrycznej. Typowo dają 32–64 impulsów/obrót, co umożliwia obliczanie drogi, prędkości i przyspieszenia oraz stosowanie regulatorów PID korygujących nierówności napędów.

Dla wygodnej nawigacji po kluczowych wyborach konstrukcyjnych, poniżej syntetyczna lista podzespołów decydujących o osiągach:

• czujniki IR – szybkie i lekkie, wymagają modulacji i filtracji sygnału względem światła otoczenia;
• czujniki ToF – lepsza liniowość i stabilność pomiarów, mniejsza wrażliwość na warunki oświetleniowe;
• napęd i sterowniki – silniki DC z redukcją oraz mostki H (np. DRV8833/DRV8835) sterowane PWM;
• zasilanie – lekkie pakiety LiPo 2S o wysokim C-rate, dobrane do szczytowych prądów układu;
• koła i ogumienie – kompromis między średnicą, przyczepnością i zużyciem materiału;
• enkodery i IMU – odometria oraz pomiar kątów/ przyspieszeń dla stabilnej kontroli kursu.

Przyspieszenie, dynamika i fizyka osiągów

Współczesne myszy osiągają przyspieszenia i hamowania powyżej 1 g (≈ 9,8 m/s²) oraz przyspieszenia boczne na zakrętach rzędu 2–6 g, co stawia poważne wyzwania związane z trakcją i stabilnością.

Podstawowym ograniczeniem bez wspomagania jest tarcie o podłoże: a_max = μ × g. Dla typowych par opona–podłoga μ ≈ 0,5, czyli maks. ok. 0,5 g ≈ 4,9 m/s². Przy takim a mysz potrzebuje ok. 0,4 s i ~200 mm, by osiągnąć 1 m/s — to kosztowny czas na dystansie pojedynczych pól.

Dynamika ujawnia subtelności rozkładu masy: przy agresywnym przyspieszaniu zbyt tylne wyważenie podnosi przód, ograniczając trakcję i destabilizując sterowanie. Praktycznym remedium jest staranny dobór środka ciężkości i limitowanie przyspieszenia do ok. 13 m/s² w konstrukcjach bez wspomagania docisku.

Przełomem stał się aktywny docisk z wentylatora podciśnieniowego, który generuje dodatkową siłę normalną rzędu 200–300 g. Umożliwia to zakręty z przyspieszeniami ponad 6 g (≈ 59 m/s²) oraz znacznie stabilniejsze sterowanie podczas wszystkich faz przyspieszania i hamowania. Konstrukcje bez wspomagania osiągają zwykle ~2 g na zakrętach, podczas gdy z ssaniem przekraczają 6 g — to ok. trzykrotna poprawa bezpośrednio przekładająca się na czas przejazdu.

Systemy mikroprocesorowe i sterowanie w czasie rzeczywistym

Rdzeń obliczeniowy ewoluował od prostych 8-bitów (Z80, 8085) do 32-bitowych MCU, jak STM32 (ARM Cortex‑M), oferujących znacznie większą moc, pamięć i peryferia. Przykładowo STM32F103 pracuje z 72 MHz, ma 128 KB flash i 20 KB RAM. Niektóre projekty używają procesorów 260–600 MHz dla złożonych optymalizacji i predykcyjnego sterowania.

Sterowanie silnikami zwykle opiera się na regulatorach PID, kompensujących zmiany obciążenia, napięcia i tarcia. Zaawansowane implementacje dodają feed-forward zależny od żądanej prędkości i przyspieszenia, co zmniejsza opóźnienia korekt i poprawia responsywność.

Fuzja danych czujnikowych w czasie rzeczywistym obejmuje IR, żyroskopy, akcelerometry i enkodery, próbkowane z częstotliwością 100–1000 Hz. Stosuje się rozszerzone filtry Kalmana lub filtry komplementarne dla lepszego oszacowania pozycji i kursu, szczególnie w fazie eksploracji. Reprezentacja labiryntu to zwykle tablica 16×16 przechowująca ściany (N, S, E, W) oraz dodatkowe metadane (odległości flood-fill, flagi odwiedzin); przy ograniczonej pamięci stosuje się upakowanie bitów.

Najważniejsze elementy pętli sterowania i percepcji warto zapamiętać w formie krótkiej ściągi:

• regulatory PID – baza kontroli prędkości i kursu z kompensacją asymetrii napędów;
• feed-forward – redukcja opóźnień sterowania na podstawie zadanych profili prędkości i przyspieszeń;
• fuzja czujników – integracja IR, IMU i enkoderów przy częstotliwościach 100–1000 Hz;
• filtry (EKF/komplementarny) – stabilne estymaty pozycji i orientacji w szumie pomiarowym;
• mapa 16×16 – kompaktowa reprezentacja ścian i kosztów do obliczeń trasy.

Globalny krajobraz rywalizacji i wyniki mistrzowskie

Ekosystem Micromouse obejmuje zawody od lokalnych po międzynarodowe, tworząc dynamiczną społeczność połączoną wspólnym wyzwaniem. All Japan Micromouse Competition to szczyt prestiżu i techniki, nieprzerwanie od 1980 r., de facto mistrzostwa świata. Wśród niedawnych zwycięzców jest Masakazu Utsunomiya, którego Siden Kai uzyskał 5,999 s na Tajwanie (2016) i 7,284 s w Japonii (2017), ustanawiając dominację podejścia z aktywnym dociskiem.

Aktualny rekord świata to 3,921 s, ustanowiony przez Ng Beng Kiata. Postęp rekordów oddaje skok technologiczny: od minut w 1985 r., przez 10–15 s około 2000 r., do wartości bliskich 4 s obecnie — to efekt skumulowanych ulepszeń w czujnikach, algorytmach, mechanice i sterowaniu.

W USA udział zapewniają regionalne zawody IEEE wszystkich regionów oraz All America Micromouse Competition (UCLA). Rywalizują zespoły akademickie i niezależne (m.in. MIT, Carnegie Mellon, UC), a coraz większy udział mają szkoły średnie i podstawowe dzięki inicjatywom edukacyjnym.

Wariant Half-Size (od 2009 r.) zyskał własną historię i rekordy. Rozwinął się na arenie międzynarodowej (m.in. Tajwan), przyciągając konstruktorów zainteresowanych miniaturyzacją; niektóre roboty wspierają oba formaty dzięki wymiennym modułom.

Równoległą dyscypliną jest wyścig robotów line-following, gdzie roboty podążają za linią na podłożu — tu akcent pada na szybkość i kontrolę, bez autonomicznej eksploracji.

Dla szybkiej orientacji poniżej lista najważniejszych imprez i ich charakteru:

• All Japan Micromouse Competition – najbardziej prestiżowy i historyczny turniej, praktyczne mistrzostwa świata;
• Taiwan Micromouse Intelligent Robot Contest – silna scena półzawodowa, miejsce licznych rekordów;
• APEC Micromouse Contest – cykliczne zawody międzynarodowe (luty–kwiecień) z szeroką reprezentacją regionów;
• All America Micromouse Competition (UCLA) – kluczowy punkt kalendarza w USA, silne zaplecze akademickie;
• zawody regionalne IEEE – inkubator talentów i wprowadzenie dla nowych zespołów.

Najnowsze osiągi i wyłaniające się trendy

Wiosenne zawody UK Micromouse 2025 (kwiecień) pokazały aktualny stan sztuki. Decimus 5A Petera Harrisona uzyskał 8,819 s bez aktywnego docisku, dowodząc, że znakomita mechanika i algorytmy nadal mogą konkurować. Inne wyniki: MR32 — 13,859 s, Phobos 33 — 15,859 s, Asymouse — 21,007 s; kilka konstrukcji nie ukończyło przejazdu (DNF), co podkreśla trudność niezawodności przy dużych prędkościach.

Na czoło wysuwają się rozbudowane konfiguracje czujników (nawet 6+ czujników IR) oraz szybsze MCU (≥ 260 MHz) umożliwiające bardziej złożone obliczenia w czasie rzeczywistym. Trwa optymalizacja zasilania i akumulatorów, balansująca pojemność, wydajność prądową i masę. Wymiar edukacyjny rośnie: liczne uczelnie i szkoły średnie czynią Micromouse filarem kursów robotyki i systemów wbudowanych.

Najważniejsze trendy, które już dziś kształtują konstrukcje i oprogramowanie:

• aktywny docisk (fan suction) – de facto standard w czołówce, klucz do >6 g na zakrętach;
• gęstsze szeregi czujników – lepsza estymacja ścian i stabilizacja toru przy ekstremalnych prędkościach;
• MCU wysokiej częstotliwości – większa moc dla planowania, optymalizacji profili i predykcji;
• zarządzanie energią – precyzyjny dobór C-rate i masy pakietu dla powtarzalności osiągów;
• edukacja i open-source – coraz więcej projektów akademickich i materiałów uczących podstaw Micromouse.

Student College of Wooster, Levi Gainer, zbudował konkurencyjną mysz w ramach pracy dyplomowej, projektując płytki, dobierając komponenty i implementując BFS, DFS, A* i flood-fill. Mimo problemów technicznych uniemożliwiających start w APEC 2024, projekt pokazuje wysoką wartość edukacyjną tej dyscypliny.

Wnioski i przyszłe implikacje autonomicznej nawigacji w labiryncie

Micromouse przeszło drogę od eksperymentu koncepcyjnego do dojrzałej, międzynarodowej rywalizacji, prezentującej wybitne osiągnięcia w autonomicznej nawigacji, planowaniu ścieżek i inżynierii sterowania. Na przestrzeni 50 lat czasy przejazdów spadły do ułamka wyników z lat 80., mimo trudniejszych labiryntów, dzięki synergii informatyki (grafy, algorytmy, decyzje czasu rzeczywistego) i praktycznej robotyki (czujniki, napęd, zasilanie, mechanika). W efekcie powstają jedne z najbardziej wydajnych robotów autonomicznych w swojej skali.

Innowacje Micromouse mają zastosowania wykraczające poza zawody: techniki lokalizacji i nawigacji przenoszą się do pojazdów autonomicznych, automatyzacji magazynów i robotyki ratunkowej; fuzja czujników i metody sterowania stanowią dobre praktyki dla systemów autonomicznych; podejścia optymalizacyjne do tras i prędkości inspirują rozwiązania w logistyce i planowaniu.

Przyszłość to dalsza optymalizacja osiągów, poszerzanie uczestnictwa edukacyjnego i rozwój wariantów konkurencji. Docisk z wentylatora stał się de facto standardem na szczycie, więc innowacje skupią się na sprawności, zarządzaniu energią i integracji. Rosnąca moc MCU i wyrafinowanie czujników otwierają drogę do bardziej predykcyjnych i adaptacyjnych (uczących się) strategii sterowania. Ekspansja programów uniwersyteckich i działań w szkołach średnich zapewni dopływ talentów i utrzyma intensywność innowacji przez kolejne dekady.