रोबोट मैपिंग कार्टोग्राफी से संबंधित एक अनुशासन है। एक स्वायत्त रोबोट के लिए लक्ष्य एक मानचित्र (बाहरी उपयोग) या फर्श योजना (इनडोर उपयोग) का निर्माण (या उपयोग) करने में सक्षम होना है और इसे अपने और उसके रिचार्जिंग बेस या बीकन को स्थानीयकृत करना है। रोबोट मैपिंग वह शाखा है जो एक मानचित्र / योजना में खुद को स्थानीयकृत करने की क्षमता के अध्ययन और आवेदन से संबंधित है और कभी-कभी स्वायत्त रोबोट द्वारा नक्शा या फर्श योजना बनाने के लिए।

कुछ जानवरों को जीवित रखने के लिए विकासशील रूप से आकार की अंधा कार्रवाई पर्याप्त हो सकती है। उदाहरण के लिए कुछ कीड़ों के लिए, पर्यावरण को मानचित्र के रूप में नहीं समझा जाता है, और वे केवल ट्रिगर प्रतिक्रिया के साथ जीवित रहते हैं। थोड़ा और विस्तृत नेविगेशन रणनीति नाटकीय रूप से रोबोट की क्षमताओं को बढ़ाती है। संज्ञानात्मक मानचित्र नियोजन क्षमताओं और वर्तमान धारणाओं, यादगार घटनाओं, और अपेक्षित परिणामों के उपयोग को सक्षम करते हैं।

मुख्य समस्याएं

शोर
रोबोट के स्थानीयकरण के साथ मुख्य मुद्दा माप त्रुटि है। वे संकेत-स्तर हस्तक्षेप और सेंसर malfunctions दोनों के कारण होते हैं। यदि माप के दौरान किए गए त्रुटियां सांख्यिकीय रूप से स्वतंत्र थीं, तो कोई समस्या नहीं होगी – रोबोट अधिक माप कर सकता है और त्रुटियां घट जाएंगी। दुर्भाग्यवश, वे सांख्यिकीय रूप से निर्भर हैं, क्योंकि वे समय पर जमा होते हैं और भविष्य के माप परिणामों का अर्थ कैसे प्रभावित करते हैं। यह व्यवस्थित त्रुटियों से बहुत अधिक सहसंबंध का कारण बनता है। इन गलतियों को पूरा करना कार्ड बनाने की कुंजी है। मौजूदा स्थानीयकरण एल्गोरिदम में से कई इस कारण से गणितीय और कार्यान्वयन कारण दोनों के लिए जटिल हैं।

परिमाणिकता
समस्या मैप किए जा रहे वस्तुओं की बड़ी आयामी प्रकृति से उत्पन्न होती है। एक विस्तृत द्वि-आयामी मानचित्र, जो एक नियमित रोबोटिक मानचित्र है, के लिए हजारों चालानों को डेटा स्टोर करने की आवश्यकता होती है। किसी घर की तरह किसी ऑब्जेक्ट का त्रि-आयामी मानचित्र लाखों अरबों की आवश्यकता होगी। सांख्यिकीय दृष्टि से, प्रत्येक ऐसी संख्या एक अलग आयाम का हिस्सा हो सकती है और इसलिए उनकी मानचित्रण आयामता में बहुत अधिक है।

अनुपालन समस्या
अनुपालन स्थानीयकरण के सबसे कठिन मुद्दों में से एक है। समस्या यह निर्धारित करने के लिए है कि अलग-अलग समय में सेंसर के परिणाम एक ही वस्तु से मेल खाते हैं या नहीं। उदाहरण के लिए, यदि कोई रोबोट किसी ऑब्जेक्ट को किसी ऑब्जेक्ट तक पहुंचाता है, तो यह निर्धारित करना होगा कि यह पहले से बनाए गए मानचित्र के संबंध में कहां स्थित है। इस पल के लिए, रोबोट की आंतरिक विधियों द्वारा गणना की गई स्थिति की त्रुटि असीम रूप से उच्च हो सकती है। रोबोट अपने स्थान के बारे में एक परिकल्पना स्थापित कर सकता है, लेकिन समय के साथ इसकी संख्या तेजी से बढ़ जाती है। चूंकि समस्या की गणना करना इतना कठिन था, इसलिए 1 99 0 के दशक तक इसे पूरी तरह नजरअंदाज कर दिया गया था।

पर्यावरण में परिवर्तन
पर्यावरण समय के साथ बदलता है। वर्ष के दौरान पेड़ की उपस्थिति धीरे-धीरे बदलती है, अन्य परिवर्तन तेजी से होते हैं, जैसे कि कारों और लोगों का स्थान या दरवाजा की स्थिति। ये गतिशील वातावरण सेंसर से परिवर्तनीय डेटा की व्याख्या करने के लिए एक और तरीका जोड़ते हैं। एक ऐसी स्थिति की कल्पना करें जहां रोबोट एक बंद दरवाजे के सामने खड़ा है, जो अंतिम कार्ड के अनुसार ढीला होना चाहिए। इस घटना को दो परिकल्पनाओं के साथ वर्णित किया जा सकता है – चाहे दरवाजा की स्थिति बदल गई हो या रोबोट ऐसा नहीं है जहां यह सोचता है। बहुत कम एल्गोरिदम हैं जो गतिशील वातावरण में सार्थक मानचित्र बना सकते हैं। इसके बजाए, अधिकांश एल्गोरिदम इस धारणा से आगे बढ़ते हैं कि ब्रह्मांड स्थिर है और रोबोट एकमात्र चलती वस्तु है और अन्य सभी चलती चीजें शोर हैं। इसलिए, उनका उपयोग केवल छोटे अंतराल पर किया जा सकता है, जिसमें पर्यावरण अपेक्षाकृत स्थिर है।

मूलभूत तरीके
संभाव्य तरीकों
लगभग सभी आधुनिक स्थानीयकरण एल्गोरिदम संभावित हैं। वे रोबोट और उसके पर्यावरण दोनों का प्रतिनिधित्व करने के लिए संभाव्य मॉडल का उपयोग करते हैं, और सेंसर से प्राप्त जानकारी को चार्ट में बदलने के लिए संभावित हस्तक्षेप। संभाव्य विधियां लोकप्रिय हैं क्योंकि रोबोट का स्थानीयकरण अस्पष्टता और संवेदी शोर द्वारा विशेषता है। संभाव्य एल्गोरिदम माप परिणामों पर विशिष्ट शोर स्रोतों और उनके प्रभावों का अनुकरण करते हैं। स्थानीयकरण एल्गोरिदम के बीच, संभाव्य दृष्टिकोण सबसे सफल साबित हुए हैं, जिनमें से सभी किसी भी तरह से Bayesian सिद्धांत से उपजी है।

कलमान फिल्टर दृष्टिकोण का उपयोग करते हैं
नक्शा बनाने के लिए क्लासिक दृष्टिकोण कलामन के फ़िल्टर पर आधारित है। काल्मैन के फिल्टर बेयस फ़िल्टर पर भी आधारित हैं, लेकिन वे आगे विकसित किए गए हैं और गॉस मॉडल का उपयोग अपने डेरिवेटिव्स में करते हैं। कलमैन फ़िल्टर कई छवि प्रसंस्करण मुद्दों के लिए सबसे आम समाधान हैं। कलमान फिल्टर में कई सालों हैं, लोकप्रियता 1 9 85 में आधारित है – 1 99 0 में वैज्ञानिक लेख प्रकाशित किए गए थे, जिन्हें कलमैन द्वारा गणितीय शब्दों में फ़िल्टर किया गया था। यह शब्द आज उपयोग में है।

अधिकतमकरण एल्गोरिदम की अपेक्षा करें
स्पेक्ट्रेंसी अधिकतमकरण एल्गोरिदम (एक्स्पेक्शनेशन अधिकतमकरण एल्गोरिदम) कलमान फ़िल्टर के लिए एक नया विकल्प है। यह एक सांख्यिकीय एल्गोरिदम है जो रोबोट के अपेक्षित पथ के अनुसार सबसे अधिक संभावित कार्ड की भविष्यवाणी करता है। भविष्यवाणियों को चक्रों में दोहराया जाता है, और अब तक प्राप्त किए गए परिणाम हर बार पूरक होते हैं। अपेक्षाओं को अधिकतम करने की विधि अनुपालन की समस्या का एक अच्छा समाधान है और कलमैन के फ़िल्टर से कहीं अधिक सफल है। हालांकि, कलमैन फ़िल्टर का उपयोग तेजी से होता है और इसलिए वास्तविक समय के परिणाम मिलने पर अधिक व्यावहारिक होता है।

हाइब्रिड समाधान
हाइब्रिड समाधान बेहतर सुविधाओं दोनों का उपयोग करके संभाव्य तरीकों, जैसे कि कलमैन के फिल्टर, और अपेक्षा अधिकतमता एल्गोरिदम को जोड़ते हैं। संभावित समाधान बहुत सटीक हैं और उन परिणामों को प्राप्त करते हैं जो उन्हें लागू करने से पहले संभव नहीं थे। हालांकि, उनके जटिल और पुनरावर्तक डिजाइन के कारण, उन्हें बड़ी कंप्यूटिंग शक्ति की आवश्यकता होती है, जो धन और समय लेने वाले दोनों हो सकते हैं। अपने आसपास के मानचित्र को मानचित्रित करने के लिए घंटों या दिनों के लिए लाइफबोट बनाना व्यावहारिक नहीं है। समाधान उम्मीद अधिकतमता एल्गोरिदम का उपयोग कर संभाव्य तरीकों को अनुकूलित करना है। परिणाम एक प्रणाली है जो काफी कम बिजली की आवश्यकता है, जो नामित क्षेत्रों में अपेक्षाओं को अधिकतम करने और संभाव्य तरीकों के साथ उनका विश्लेषण करने पर केंद्रित है।

गतिशील वातावरण मैपिंग
वास्तविक भौतिक वातावरण समय के साथ बदल रहे हैं। जैसा कि पहले उल्लेख किया गया है, ऐसे कई एल्गोरिदम नहीं हैं जो इस समस्या को संभाल सकते हैं। अधिकांश एल्गोरिदम एक स्थिर दुनिया की धारणा पर आधारित होते हैं, और इस प्रकार उस स्थिति को स्वीकार करने में असमर्थ होते हैं जहां एक ज्ञात वस्तु ने अपना स्थान बदल दिया है। निष्कर्ष स्वयं का स्थान बदलना होगा। हालांकि, ऐसे एल्गोरिदम हैं जिन्हें कुछ प्रकार के पर्यावरणीय परिवर्तनों का सामना करने के लिए संशोधित किया जा सकता है। उदाहरण के लिए, कलमैन के फिल्टर को मोटे तौर पर संशोधित किया जा सकता है ताकि वे उस स्थिति को मानचित्रित कर सकें जहां उन्हें ज्ञात वस्तुएं धीरे-धीरे बढ़ती हैं और उनका आंदोलन प्रक्षेपवक्र में ब्राउन के आंदोलन के समान होता है।

ऑपरेशन
रोबोट में जानकारी के दो स्रोत हैं: बेवकूफ और आवंटित स्रोत। जब गति में, रोबोट मृत आकलन विधियों का उपयोग कर सकता है जैसे कि उसके पहियों के क्रांति की संख्या को ट्रैक करना; यह बेवकूफ स्रोत से मेल खाता है और रोबोट की पूर्ण स्थिति दे सकता है, लेकिन यह संचयी त्रुटि के अधीन है जो जल्दी से बढ़ सकता है।

Related Post

आवंटित स्रोत रोबोट के सेंसर से मेल खाता है, जैसे कैमरा, माइक्रोफोन, लेजर, लिडर या सोनार। यहां समस्या “अवधारणात्मक एलियासिंग” है। इसका मतलब है कि दो अलग-अलग स्थानों को वही माना जा सकता है। उदाहरण के लिए, एक इमारत में, दृश्य जानकारी के साथ पूरी तरह से एक स्थान निर्धारित करना लगभग असंभव है, क्योंकि सभी गलियारे समान दिख सकते हैं। रोबोट के पर्यावरण के 3-आयामी मॉडल 3 डी स्कैनर का उपयोग करके उत्पन्न किए जा सकते हैं।

नक्शा प्रतिनिधित्व
मानचित्र का आंतरिक प्रतिनिधित्व “मीट्रिक” या “स्थलीय” हो सकता है:

मीट्रिक ढांचा मनुष्यों के लिए सबसे आम है और यह एक द्वि-आयामी अंतरिक्ष मानता है जिसमें यह वस्तुओं को रखता है। वस्तुओं को सटीक निर्देशांक के साथ रखा जाता है। यह प्रतिनिधित्व बहुत उपयोगी है, लेकिन शोर के प्रति संवेदनशील है और दूरी की गणना करना मुश्किल है।
स्थलीय ढांचा केवल उनके बीच स्थानों और संबंधों को मानता है। अक्सर, स्थानों के बीच की दूरी संग्रहित की जाती है। नक्शा तब एक ग्राफ है, जिसमें नोड्स स्थानों और आर्क के अनुरूप होते हैं जो पथ के अनुरूप होते हैं।
अनिश्चितता को संभालने के लिए कई तकनीकों मानचित्र के संभाव्य प्रतिनिधित्व का उपयोग करते हैं।

मानचित्र प्रस्तुतियों के तीन मुख्य तरीके हैं, यानी, फ्री स्पेस मैप्स, ऑब्जेक्ट मैप्स और समग्र मानचित्र। ये ग्रिड की धारणा को नियोजित करते हैं, लेकिन ग्रिड के संकल्प को अलग-अलग करने की अनुमति देते हैं ताकि यह बेहतर हो सके जहां अधिक सटीकता की आवश्यकता होती है और नक्शा एक समान है जहां अधिक मोटा होता है।

नक्शा सीखना
नक्शा सीखने को स्थानीयकरण प्रक्रिया से अलग नहीं किया जा सकता है, और एक कठिनाई तब उत्पन्न होती है जब स्थानीयकरण में त्रुटियों को मानचित्र में शामिल किया जाता है। इस समस्या को आमतौर पर एक साथ स्थानीयकरण और मानचित्रण (एसएलएएम) के रूप में जाना जाता है।

यह निर्धारित करने के लिए एक महत्वपूर्ण अतिरिक्त समस्या यह है कि रोबोट पहले से संग्रहीत पर्यावरण के हिस्से में है या कभी नहीं देखा गया है। इस समस्या को हल करने का एक तरीका इलेक्ट्रिक बीकन, क्षेत्रीय संचार (एनएफसी), वाईफाई, दृश्यमान प्रकाश संचार (वीएलसी) और ली-फाई और ब्लूटूथ का उपयोग करना है।

पथ योजना
पथ योजना एक महत्वपूर्ण मुद्दा है क्योंकि यह एक रोबोट को बिंदु ए से बिंदु बी तक प्राप्त करने की अनुमति देता है। पथ नियोजन एल्गोरिदम को उनकी कम्प्यूटेशनल जटिलता से मापा जाता है। रीयल-टाइम मोशन प्लानिंग की व्यवहार्यता रोबोट स्थानीयकरण और बाधाओं की संख्या पर मानचित्र (या फर्शप्लान) की सटीकता पर निर्भर है। विषयगत रूप से, पथ योजना की समस्या ग्राफ में दो नोड्स के बीच एक मार्ग खोजने की सबसे छोटी पथ समस्या से संबंधित है।

रोबोट नेविगेशन
आउटडोर रोबोट मोटर वाहन नेविगेशन सिस्टम के समान तरीके से जीपीएस का उपयोग कर सकते हैं।

वैकल्पिक प्रणाली का उपयोग स्थानीयकरण वायरलेस हार्डवेयर के साथ संयुक्त इनडोर रोबोट के लिए नक्शे के बजाय फर्श योजना और बीकन के साथ किया जा सकता है। इलेक्ट्रिक बीकन सस्ते रोबोट नेविगेशन सिस्टम के लिए मदद कर सकते हैं।

मानचित्र सबमिशन
आंतरिक रूप से, रोबोट डेटा के रूप में डेटा का प्रतिनिधित्व नहीं करते हैं, इसलिए वे मानचित्र प्रारूप में मानचित्र को संग्रहीत नहीं करते हैं। नक्शा प्रतिनिधित्व ज्यामितीय और स्थलीय में बांटा गया है:

एक ज्यामितीय प्रतिनिधित्व निश्चित निर्देशांक पर दो-आयामी अंतरिक्ष में वस्तुओं का प्रतिनिधित्व करता है।
स्थलीय प्रतिनिधित्व वस्तुओं के बीच केवल अंतःक्रियाओं का प्रतिनिधित्व करता है।

ऐतिहासिक रूप से, एक अलग टूटने का भी उपयोग किया गया है:

विश्व केंद्रित नक्शा वैश्विक समन्वय अंतरिक्ष में वस्तुओं का प्रतिनिधित्व करता है।
रोबोटिक नक्शा ऑब्जेक्ट्स का प्रतिनिधित्व करता है क्योंकि वे रोबोट के साथ हैं।

Share