La cartographie robotique est une discipline liée à la cartographie. L’objectif d’un robot autonome est de pouvoir construire (ou utiliser) une carte (utilisation extérieure) ou un plan d’étage (utilisation intérieure), ainsi que de se localiser et de localiser ses bases de recharge ou ses balises. La cartographie robotique est cette branche qui traite de l’étude et de l’application de la capacité à se localiser sur une carte / plan et parfois à construire la carte ou le plan d’étage par le robot autonome.

Une action aveugle de forme évolutive peut suffire à maintenir certains animaux en vie. Pour certains insectes, par exemple, l’environnement n’est pas interprété comme une carte et ils survivent uniquement avec une réponse déclenchée. Une stratégie de navigation légèrement plus élaborée améliore considérablement les capacités du robot. Les cartes cognitives permettent de planifier et d’utiliser les perceptions actuelles, les événements mémorisés et les conséquences attendues.

Les principaux problèmes
Bruit
Le problème clé avec la localisation du robot est l’erreur de mesure. Ils sont dus à des interférences de niveau de signal et à des dysfonctionnements du capteur. Si les erreurs commises pendant les mesures étaient statistiquement indépendantes, il n’y aurait aucun problème: le robot pourrait effectuer plus de mesures et les erreurs disparaîtraient. Malheureusement, ils sont statistiquement dépendants, car ils s’accumulent dans le temps et affectent la façon dont les résultats de mesure futurs sont interprétés. Cela provoque beaucoup d’erreurs systématiques en corrélation. Réaliser ces erreurs est la clé pour créer une carte. La plupart des algorithmes de localisation existants sont complexes pour des raisons à la fois mathématiques et de mise en œuvre.

Dimensionnalité
Le problème provient de la grande dimension des objets cartographiés. Une carte bidimensionnelle détaillée, qui est une carte robotique de routine, nécessite des milliers de factures pour stocker des données. Une carte en trois dimensions d’un objet comme une maison nécessiterait des millions de milliards de dollars. D’un point de vue statistique, chacun de ces nombres peut faire partie d’une dimension différente et leur mappage est donc très dimensionnel.

Problème de conformité
La conformité est l’un des problèmes les plus difficiles de la localisation. Le problème consiste à déterminer si les résultats du capteur à des moments différents correspondent au même objet ou non. Par exemple, si un robot encercle un objet, lorsqu’il atteint le même emplacement, il doit déterminer son emplacement par rapport à la carte créée précédemment. Pour ce moment, l’erreur de la position calculée par les méthodes internes du robot peut être infiniment élevée. Le robot peut définir une hypothèse sur son emplacement mais, au fil du temps, son nombre augmente de manière exponentielle. Le problème étant difficile à calculer, il a été complètement ignoré jusqu’à la fin des années 90.

Changements dans l’environnement
L’environnement change avec le temps. L’apparence de l’arbre change lentement au cours de l’année, d’autres changements sont plus rapides, tels que l’emplacement des voitures et des personnes ou l’état de la porte. Ces environnements dynamiques ajoutent un autre moyen d’interpréter les données variables issues des capteurs. Imaginez une situation où le robot se trouve devant une porte fermée qui, selon la dernière carte, devrait être lâche. Ce phénomène peut être décrit avec deux hypothèses: si l’état de la porte a changé ou si le robot n’est pas là où il pense. Très peu d’algorithmes peuvent créer des cartes significatives dans des environnements dynamiques. Au lieu de cela, la plupart des algorithmes partent de l’hypothèse que l’univers est statique et que le robot est le seul objet en mouvement et que tous les autres éléments en mouvement sont du bruit. Par conséquent, ils ne peuvent être utilisés qu’à de petits intervalles, dans lesquels l’environnement est relativement constant.

Méthodes de base
Méthodes probabilistes
Presque tous les algorithmes de localisation modernes sont probables. Ils utilisent des modèles probabilistes pour représenter le robot et son environnement, ainsi que des interférences probables, afin de transformer les informations reçues des capteurs en graphiques. Les méthodes probabilistes sont populaires parce que la localisation du robot est caractérisée par le flou et le bruit sensoriel. Les algorithmes probabilistes simulent des sources de bruit spécifiques et leurs effets sur les résultats de mesure. Parmi les algorithmes de localisation, les approches probabilistes se sont avérées être les plus efficaces, toutes issues d’une manière ou d’une autre de la théorie bayésienne.

Les filtres de Kalman utilisent des approches
L’approche classique de la création de cartes est basée sur les filtres de Kalman. Les filtres de Kalman sont également basés sur les filtres Bayes, mais ils sont développés et utilisent le modèle de Gauss dans leurs dérivés. Les filtres de Kalman sont la solution la plus courante pour de nombreux problèmes de traitement d’image. Les filtres de Kalman ont un certain nombre d’années, la popularité est basée sur 1985 – en 1990, des articles scientifiques publiés, qui étaient offerts par les filtres de Kalman en termes mathématiques. Cette formulation est en usage aujourd’hui.

Algorithmes de maximisation attendus
Les algorithmes d’optimisation des attentes (algorithmes de maximisation d’eXpectation) constituent une alternative plus récente aux filtres de Kalman. Ceci est un algorithme statistique qui prédit la carte la plus probable en fonction du chemin attendu du robot. La prédiction est répétée par cycles et les résultats obtenus jusqu’à présent sont complétés à chaque fois. La méthode consistant à maximiser les attentes est une bonne solution au problème de la conformité et est beaucoup plus efficace que les filtres de Kalman. Cependant, l’utilisation des filtres de Kalman est plus rapide et donc plus pragmatique pour obtenir des résultats en temps réel.

Solutions hybrides
Les solutions hybrides combinent des méthodes probabilistes, telles que les filtres de Kalman, et l’algorithme de maximisation des attentes, utilisant les deux meilleures fonctionnalités. Les solutions probables sont très précises et aboutissent à des résultats impossibles avant leur mise en service. Cependant, en raison de leur conception complexe et itérative, ils nécessitent une grande puissance de calcul, ce qui peut prendre du temps et de l’argent. Il n’est pas pratique de créer un canot de sauvetage pendant des heures ou des jours pour cartographier votre environnement. La solution consiste à optimiser les méthodes probabilistes à l’aide d’algorithmes de maximisation des attentes. Le résultat est un système avec un besoin en puissance considérablement réduit, qui vise à maximiser les attentes dans les zones désignées et à les analyser avec des méthodes probabilistes.

Cartographie des environnements dynamiques
Les environnements physiques réels évoluent avec le temps. Comme mentionné précédemment, il n’ya pas beaucoup d’algorithmes capables de gérer ce problème. La plupart des algorithmes sont basés sur l’hypothèse d’un monde statique et ne peuvent donc pas accepter la situation dans laquelle un objet connu a changé d’emplacement. La conclusion serait de changer l’emplacement de vous-même. Cependant, certains algorithmes peuvent être modifiés pour faire face à certains types de changements environnementaux. Par exemple, les filtres de Kalman peuvent être modifiés de manière grossière afin qu’ils puissent cartographier la situation dans laquelle les objets qu’ils connaissent se déplacent lentement et que leur mouvement est similaire au mouvement de Brown dans la trajectoire.

Opération
Le robot a deux sources d’information: les sources idiothétiques et les sources allothétiques. Lorsqu’il est en mouvement, un robot peut utiliser des méthodes de calcul rigoureuses telles que le suivi du nombre de tours de ses roues; cela correspond à la source idiothétique et peut donner la position absolue du robot, mais il est sujet à des erreurs cumulatives qui peuvent croître rapidement.

La source allothétique correspond aux capteurs du robot, comme une caméra, un microphone, un laser, un lidar ou un sonar. Le problème ici est « aliasing perceptuel ». Cela signifie que deux endroits différents peuvent être perçus comme identiques. Par exemple, dans un bâtiment, il est presque impossible de déterminer un emplacement uniquement avec les informations visuelles, car tous les corridors peuvent se ressembler. Des modèles tridimensionnels de l’environnement d’un robot peuvent être générés à l’aide de scanners 3D.

Représentation cartographique
La représentation interne de la carte peut être « métrique » ou « topologique »:

Le cadre métrique est le plus commun pour les humains et considère un espace à deux dimensions dans lequel il place les objets. Les objets sont placés avec des coordonnées précises. Cette représentation est très utile, mais est sensible au bruit et il est difficile de calculer les distances avec précision.
Le cadre topologique ne considère que les lieux et les relations entre eux. Souvent, les distances entre les lieux sont stockées. La carte est alors un graphe dans lequel les nœuds correspondent aux lieux et les arcs correspondent aux chemins.
De nombreuses techniques utilisent des représentations probabilistes de la carte pour gérer les incertitudes.

Il existe trois méthodes principales de représentation cartographique: cartes d’espace libre, cartes d’objet et cartes composites. Ceux-ci utilisent la notion de grille, mais permettent à la résolution de la grille de varier afin qu’elle puisse devenir plus fine lorsque plus de précision est nécessaire et plus grossière lorsque la carte est uniforme.

Apprentissage de la carte
L’apprentissage de la carte ne peut être séparé du processus de localisation et une difficulté survient lorsque des erreurs de localisation sont incorporées dans la carte. Ce problème est communément appelé localisation et mappage simultanés (SLAM).

Un autre problème important consiste à déterminer si le robot se trouve dans une partie de l’environnement déjà stocké ou jamais visité. Un moyen de résoudre ce problème consiste à utiliser des balises électriques, la communication en champ proche (NFC), le WiFi, la communication par lumière visible (VLC) et les technologies Li-Fi et Bluetooth.

Planification de parcours
La planification de trajectoire est un problème important car elle permet à un robot de se déplacer d’un point A à un point B. Les algorithmes de planification de trajectoire sont mesurés par leur complexité de calcul. La faisabilité de la planification du mouvement en temps réel dépend de la précision de la carte (ou du plan d’étage), de la localisation du robot et du nombre d’obstacles. Topologiquement, le problème de la planification des chemins est lié au problème du plus court chemin, à savoir la recherche d’une route entre deux nœuds d’un graphe.

Navigation robot
Les robots extérieurs peuvent utiliser le GPS de la même manière que les systèmes de navigation automobile.

Des systèmes alternatifs peuvent être utilisés avec un plan d’étage et des balises au lieu de cartes pour des robots d’intérieur, combinés avec un matériel de localisation sans fil. Les balises électriques peuvent aider pour des systèmes de navigation de robot bon marché.

Soumission de carte
En interne, les robots ne représentent pas les données comme le font les personnes. Ils ne stockent donc pas la carte au format image. La représentation de la carte est divisée en géométrique et topologique:

Une représentation géométrique représente des objets dans un espace bidimensionnel à des coordonnées définies.
La représentation topologique représente uniquement les interconnexions entre les objets.

Historiquement, une ventilation différente a également été utilisée:

La carte centrée sur le monde représente des objets dans l’espace de coordonnées global.
La carte robotique représente les objets tels qu’ils sont avec le robot.