La cartografía robótica es una disciplina relacionada con la cartografía. El objetivo de un robot autónomo es poder construir (o usar) un mapa (uso en exteriores) o un plano de planta (uso en interiores) y ubicarse a sí mismo y sus bases de recarga o balizas en él. El mapeo robótico es aquella rama que se ocupa del estudio y la aplicación de la capacidad de localizarse en un mapa / plan y, a veces, de construir el mapa o el plano del piso mediante el robot autónomo.

La acción ciega de forma evolutiva puede ser suficiente para mantener vivos a algunos animales. Para algunos insectos, por ejemplo, el entorno no se interpreta como un mapa, y sobreviven solo con una respuesta activada. Una estrategia de navegación un poco más elaborada mejora dramáticamente las capacidades del robot. Los mapas cognitivos permiten la capacidad de planificación y el uso de las percepciones actuales, los eventos memorizados y las consecuencias esperadas.

Los principales problemas

ruido
El problema clave con la localización del robot es el error de medición. Son causadas por interferencias en el nivel de la señal y mal funcionamiento del sensor. Si los errores cometidos durante las mediciones fueran estadísticamente independientes, entonces no habría ningún problema: el robot podría realizar más mediciones y los errores desaparecerían. Desafortunadamente, son estadísticamente dependientes, porque se acumulan en el tiempo y afectan la forma en que se interpretan los resultados de las mediciones futuras. Esto causa muchos errores sistemáticos correlacionados. Cumplir estos errores es la clave para hacer una tarjeta. Muchos de los algoritmos de localización existentes son complejos tanto por razones matemáticas como de implementación por esta misma razón.

Dimensionalidad
El problema surge de la gran naturaleza dimensional de los objetos que se asignan. Un mapa bidimensional detallado, que es un mapa robótico de rutina, requiere miles de facturas para almacenar datos. Un mapa tridimensional de un objeto como una casa requeriría millones de miles de millones. Desde un punto de vista estadístico, cada número puede ser parte de una dimensión diferente y, por lo tanto, su asignación es muy alta en dimensionalidad.

Problema de cumplimiento
El cumplimiento es uno de los temas más difíciles de la localización. El problema es cómo determinar si los resultados del sensor en diferentes momentos corresponden al mismo objeto o no. Por ejemplo, si un robot rodea un objeto, cuando llega a la misma ubicación, debe determinar dónde se encuentra en relación con su mapa creado anteriormente. Para este momento, el error de la posición calculada por los métodos internos del robot puede ser infinitamente alto. El robot puede establecer una hipótesis sobre su ubicación, pero con el tiempo su número aumenta exponencialmente. Dado que el problema era tan difícil como se calculaba, se ignoró por completo hasta finales de los años noventa.

Cambios en el medio ambiente.
El entorno cambia con el tiempo. La apariencia del árbol cambia lentamente durante el año, otros cambios son más rápidos, como la ubicación de los autos y las personas o el estado de la puerta. Estos entornos dinámicos añaden otra forma de interpretar los datos variables de los sensores. Imagine una situación en la que el robot se encuentra frente a una puerta cerrada que, según la última carta, debería estar suelta. Este fenómeno se puede describir con dos hipótesis: si el estado de la puerta ha cambiado o el robot no está donde cree que está. Hay muy pocos algoritmos que pueden crear mapas significativos en entornos dinámicos. En cambio, la mayoría de los algoritmos se basan en el supuesto de que el universo es estático y que el robot es el único objeto en movimiento y todas las demás cosas en movimiento son ruido. Por lo tanto, solo se pueden utilizar en pequeños intervalos, en los que el entorno es relativamente constante.

Metodos basicos
Metodos probabilisticos
Casi todos los algoritmos modernos de localización son probables. Usan modelos probabilísticos para representar tanto al robot como a su entorno, y probables interferencias para transformar la información recibida de los sensores en gráficos. Los métodos probabilísticos son populares porque la localización del robot se caracteriza por la vaguedad y el ruido sensorial. Los algoritmos probabilísticos simulan fuentes de ruido específicas y sus efectos en los resultados de medición. Entre los algoritmos de localización, los enfoques probabilísticos han demostrado ser los más exitosos, todos los cuales de alguna manera se derivan de la teoría bayesiana.

Los filtros de Kalman utilizan enfoques.
El enfoque clásico para crear mapas se basa en los filtros de Kalman. Los filtros de Kalman también se basan en los filtros de Bayes, pero están más desarrollados y utilizan el modelo de Gauss en sus derivados. Los filtros de Kalman son la solución más común para muchos problemas de procesamiento de imágenes. Los filtros de Kalman tienen varios años, la popularidad se basa en 1985: en 1990 publicaron artículos científicos que fueron ofrecidos por los filtros de Kalman en términos matemáticos. Esta redacción está en uso hoy.

Espere algoritmos de maximización
Los algoritmos de maximización de la expectativa (algoritmos de maximización de la eXpectación) son una alternativa más nueva a los filtros de Kalman. Este es un algoritmo estadístico que predice la tarjeta más probable según la ruta esperada del robot. La predicción se repite en ciclos, y los resultados obtenidos hasta ahora se complementan cada vez. El método para maximizar las expectativas es una buena solución al problema de cumplimiento y es mucho más exitoso que los filtros de Kalman. Sin embargo, el uso de los filtros Kalman es más rápido y, por lo tanto, más pragmático cuando se trata de obtener resultados en tiempo real.

Soluciones híbridas
Las soluciones híbridas combinan métodos probabilísticos, como los filtros de Kalman y el algoritmo de maximización de expectativa, utilizando las dos mejores características. Las soluciones probables son muy precisas y logran resultados que no eran posibles antes de que se pusieran en funcionamiento. Sin embargo, debido a su diseño complejo e iterativo, requieren un gran poder de cómputo, que puede consumir tanto dinero como tiempo. No es práctico crear un bote salvavidas durante horas o días para mapear sus alrededores. La solución es optimizar los métodos probabilísticos utilizando algoritmos de maximización de expectativas. El resultado es un sistema con un requisito de potencia significativamente menor, que se centra en maximizar las expectativas en las áreas designadas y analizarlas con métodos probabilísticos.

Mapeo de entornos dinámicos.
Los entornos físicos reales están cambiando con el tiempo. Como se mencionó anteriormente, no hay muchos algoritmos que puedan manejar este problema. La mayoría de los algoritmos se basan en el supuesto de un mundo estático y, por lo tanto, no pueden aceptar la situación en la que un objeto conocido ha cambiado su ubicación. La conclusión sería cambiar la ubicación de uno mismo. Sin embargo, hay algoritmos que pueden modificarse para hacer frente a ciertos tipos de cambios ambientales. Por ejemplo, los filtros de Kalman pueden modificarse aproximadamente para que puedan mapear la situación en la que los objetos conocidos se mueven lentamente y su movimiento es similar al movimiento de Brown en la trayectoria.

Operación
El robot tiene dos fuentes de información: la idiotética y la alotética. Cuando está en movimiento, un robot puede usar métodos de cálculo de cuentas como el seguimiento del número de revoluciones de sus ruedas; esto corresponde a la fuente idiotética y puede dar la posición absoluta del robot, pero está sujeto a un error acumulativo que puede crecer rápidamente.

La fuente alotética corresponde a los sensores del robot, como una cámara, un micrófono, un láser, un lidar o un sonar. El problema aquí es «alias perceptual». Esto significa que dos lugares diferentes pueden ser percibidos como iguales. Por ejemplo, en un edificio, es casi imposible determinar una ubicación únicamente con la información visual, ya que todos los corredores pueden tener el mismo aspecto. Los modelos tridimensionales del entorno de un robot se pueden generar utilizando escáneres 3D.

Representación del mapa
La representación interna del mapa puede ser «métrica» ​​o «topológica»:

El marco métrico es el más común para los humanos y considera un espacio bidimensional en el que coloca los objetos. Los objetos se colocan con coordenadas precisas. Esta representación es muy útil, pero es sensible al ruido y es difícil calcular las distancias con precisión.
El marco topológico solo considera lugares y relaciones entre ellos. A menudo, las distancias entre lugares se almacenan. El mapa es entonces un gráfico, en el que los nodos corresponden a lugares y los arcos corresponden a las rutas.
Muchas técnicas utilizan representaciones probabilísticas del mapa para manejar la incertidumbre.

Hay tres métodos principales de representación de mapas, es decir, mapas de espacio libre, mapas de objetos y mapas compuestos. Estos emplean la noción de una cuadrícula, pero permiten que la resolución de la cuadrícula varíe para que pueda ser más precisa cuando se necesita más precisión y más gruesa cuando el mapa es uniforme.

Aprendizaje de mapas
El aprendizaje de mapas no se puede separar del proceso de localización, y surge una dificultad cuando los errores en la localización se incorporan al mapa. Este problema se conoce comúnmente como localización y asignación simultáneas (SLAM).

Un problema adicional importante es determinar si el robot se encuentra en una parte del entorno ya almacenado o nunca visitado. Una forma de resolver este problema es mediante el uso de balizas eléctricas, comunicación de campo cercano (NFC), WiFi, comunicación por luz visible (VLC) y Li-Fi y Bluetooth.

Planificación de caminos
La planificación de rutas es un tema importante ya que permite que un robot pase del punto A al punto B. Los algoritmos de planificación de rutas se miden por su complejidad computacional. La viabilidad de la planificación del movimiento en tiempo real depende de la precisión del mapa (o plano), de la localización del robot y del número de obstáculos. Topológicamente, el problema de la planificación de la ruta está relacionado con el problema de la ruta más corta al encontrar una ruta entre dos nodos en un gráfico.

Navegación robot
Los robots al aire libre pueden usar el GPS de manera similar a los sistemas de navegación automotriz

Se pueden usar sistemas alternativos con planos y balizas en lugar de mapas para robots de interiores, combinados con hardware inalámbrico de localización. Las balizas eléctricas pueden ayudar para sistemas de navegación de robots baratos.

Envío de mapas
Internamente, los robots no representan datos como lo hacen las personas, por lo que no almacenan el mapa en formato de imagen. La representación del mapa se divide en geométrica y topológica:

Una representación geométrica representa objetos en un espacio bidimensional en coordenadas definidas.
La representación topológica representa solo las interconexiones entre los objetos.

Históricamente, también se ha utilizado un desglose diferente:

El mapa centrado en el mundo representa objetos en el espacio de coordenadas global.
El mapa robótico representa objetos tal como son con el robot.