La mappatura robotica è una disciplina legata alla cartografia. L’obiettivo per un robot autonomo è quello di essere in grado di costruire (o usare) una mappa (uso esterno) o pianta (uso interno) e di localizzare se stesso e le sue basi di ricarica o segnali. La mappatura robotica è quella branca che si occupa dello studio e dell’applicazione della capacità di localizzarsi in una mappa / piano e talvolta di costruire la mappa o la pianta del robot autonomo.

L’azione cieca evolutiva può essere sufficiente per mantenere in vita alcuni animali. Per alcuni insetti, ad esempio, l’ambiente non viene interpretato come una mappa e sopravvive solo con una risposta attivata. Una strategia di navigazione leggermente più elaborata migliora notevolmente le capacità del robot. Le mappe cognitive consentono capacità di pianificazione e utilizzo delle percezioni correnti, eventi memorizzati e conseguenze previste.

I problemi principali
Rumore
Il problema chiave con la localizzazione del robot è l’errore di misura. Sono causati da interferenze a livello di segnale e malfunzionamenti del sensore. Se gli errori commessi durante le misurazioni fossero statisticamente indipendenti, non ci sarebbero stati problemi: il robot avrebbe potuto effettuare più misurazioni e gli errori si sarebbero attenuati. Sfortunatamente, sono statisticamente dipendenti, perché si accumulano nel tempo e influenzano il modo in cui i risultati di misurazione futuri vengono interpretati. Ciò causa un sacco di errori sistematici correlati. Soddisfare questi errori è la chiave per fare una carta. Molti degli algoritmi di localizzazione esistenti sono complessi sia per ragioni matematiche che di implementazione proprio per questo motivo.

dimensionalità
Il problema sorge dalla grande natura dimensionale degli oggetti che vengono mappati. Una mappa bidimensionale dettagliata, che è una mappa robotica di routine, richiede migliaia di fatture per memorizzare i dati. Una mappa tridimensionale di un oggetto come una casa richiederebbe milioni di miliardi. Da un punto di vista statistico, ognuno di questi numeri può essere parte di una dimensione diversa e quindi la loro mappatura è molto alta nella dimensionalità.

Problema di conformità
La conformità è uno dei problemi più difficili della localizzazione. Il problema è come determinare se i risultati del sensore in momenti diversi corrispondono allo stesso oggetto o meno. Ad esempio, se un robot circonda un oggetto, quando raggiunge la stessa posizione, deve determinare dove si trova in relazione alla sua mappa creata in precedenza. Per questo momento, l’errore della posizione calcolata dai metodi interni del robot può essere infinitamente alto. Il robot può impostare un’ipotesi sulla sua posizione, ma con il tempo il suo numero aumenta in modo esponenziale. Poiché il problema era così difficile come era il calcolo, è stato completamente ignorato fino alla fine degli anni ’90.

Cambiamenti nell’ambiente
L’ambiente cambia nel tempo. L’aspetto dell’albero cambia lentamente durante l’anno, altre modifiche sono più veloci, come la posizione di auto e persone o lo stato della porta. Questi ambienti dinamici aggiungono un altro modo per interpretare i dati variabili dai sensori. Immagina una situazione in cui il robot si trova di fronte a una porta chiusa, che, secondo l’ultima carta, dovrebbe essere allentata. Questo fenomeno può essere descritto con due ipotesi: se lo stato della porta è cambiato o se il robot non è dove pensa che sia. Ci sono pochissimi algoritmi in grado di creare mappe significative in ambienti dinamici. Invece, la maggior parte degli algoritmi procede dal presupposto che l’universo sia statico e che il robot sia l’unico oggetto in movimento e che tutti gli altri oggetti in movimento siano rumore. Pertanto, possono essere utilizzati solo a piccoli intervalli, in cui l’ambiente è relativamente costante.

Metodi di base
Metodi probabilistici
Quasi tutti i moderni algoritmi di localizzazione sono probabili. Usano modelli probabilistici per rappresentare sia il robot e il suo ambiente, sia probabili interferenze al fine di trasformare le informazioni ricevute dai sensori in grafici. I metodi probabilistici sono popolari perché la localizzazione del robot è caratterizzata da vaghezza e rumore sensoriale. Gli algoritmi probabilistici simulano specifiche fonti di rumore e i loro effetti sui risultati delle misurazioni. Tra gli algoritmi di localizzazione, gli approcci probabilistici si sono dimostrati di maggior successo, tutti in qualche modo derivati ​​dalla teoria bayesiana.

I filtri di Kalman usano approcci
L’approccio classico alla creazione di mappe si basa sui filtri di Kalman. I filtri di Kalman sono anche basati sui filtri di Bayes, ma sono ulteriormente sviluppati e usano il modello di Gauss nei loro derivati. I filtri Kalman sono la soluzione più comune per molti problemi di elaborazione delle immagini. I filtri di Kalman hanno un certo numero di anni, la popolarità è basata nel 1985 – nel 1990 hanno pubblicato articoli scientifici, che sono stati offerti dai filtri di Kalman in termini matematici. Questa formulazione è in uso oggi.

Aspettatevi algoritmi di massimizzazione
Gli algoritmi di massimizzazione delle aspettative (algoritmi di massimizzazione di eXpectation) rappresentano un’alternativa più recente ai filtri di Kalman. Questo è un algoritmo statistico che predice la carta più probabile in base al percorso previsto del robot. La previsione viene ripetuta in cicli e i risultati ottenuti finora vengono integrati ogni volta. Il metodo per massimizzare le aspettative è una buona soluzione al problema della conformità e ha molto più successo dei filtri di Kalman. Tuttavia, l’uso dei filtri di Kalman è più veloce e quindi più pragmatico quando si ottengono risultati in tempo reale.

Soluzioni ibride
Le soluzioni ibride combinano metodi probabilistici, come i filtri di Kalman, e l’algoritmo di massimizzazione delle aspettative, utilizzando entrambe le migliori caratteristiche. Le soluzioni probabili sono molto precise e ottengono risultati che non erano possibili prima che fossero messi in funzione. Tuttavia, a causa del loro design complesso e iterativo, richiedono una grande potenza di calcolo, che può richiedere tempo e denaro. Non è pratico creare una scialuppa di salvataggio per ore o giorni per mappare l’ambiente circostante. La soluzione è di ottimizzare i metodi probabilistici usando algoritmi di massimizzazione delle aspettative. Il risultato è un sistema con un fabbisogno energetico significativamente inferiore, che punta a massimizzare le aspettative nelle aree designate e analizzarle con metodi probabilistici.

Mappatura di ambienti dinamici
Gli ambienti fisici reali stanno cambiando nel tempo. Come accennato in precedenza, non ci sono molti algoritmi in grado di gestire questo problema. La maggior parte degli algoritmi si basa sull’assunzione di un mondo statico, e quindi incapace di accettare la situazione in cui un oggetto conosciuto ha cambiato la sua posizione. La conclusione sarebbe cambiare la posizione di te stesso. Tuttavia, esistono degli algoritmi che possono essere modificati per far fronte a determinati tipi di cambiamenti ambientali. Ad esempio, i filtri di Kalman possono essere modificati approssimativamente in modo che possano mappare la situazione in cui gli oggetti a loro noti si muovono lentamente e il loro movimento è simile al movimento di Brown nella traiettoria.

operazione
Il robot ha due fonti di informazione: le fonti idiotiche e quelle allotetiche. Quando è in movimento, un robot può utilizzare metodi di calcolo morti come il rilevamento del numero di giri delle sue ruote; ciò corrisponde alla fonte idiothetic e può dare la posizione assoluta del robot, ma è conforme all’errore cumulativo che può crescere velocemente.

La sorgente allothetic corrisponde ai sensori del robot, come una telecamera, un microfono, un laser, un lidar o un sonar. Il problema qui è “alias percettivo”. Ciò significa che due luoghi diversi possono essere percepiti come gli stessi. Ad esempio, in un edificio, è quasi impossibile determinare una posizione esclusivamente con le informazioni visive, perché tutti i corridoi possono avere lo stesso aspetto. I modelli tridimensionali dell’ambiente di un robot possono essere generati utilizzando scanner 3D.

Rappresentazione della mappa
La rappresentazione interna della mappa può essere “metrica” ​​o “topologica”:

Il quadro metrico è il più comune per gli umani e considera uno spazio bidimensionale in cui colloca gli oggetti. Gli oggetti sono posizionati con coordinate precise. Questa rappresentazione è molto utile, ma è sensibile al rumore ed è difficile calcolare con precisione le distanze.
La struttura topologica considera solo i luoghi e le relazioni tra di loro. Spesso, le distanze tra i luoghi sono memorizzate. La mappa è quindi un grafico, in cui i nodi corrispondono a luoghi e archi corrispondono ai percorsi.
Molte tecniche usano rappresentazioni probabilistiche della mappa, al fine di gestire l’incertezza.

Esistono tre metodi principali per le rappresentazioni della mappa, ovvero mappe di spazio libero, mappe di oggetti e mappe composite. Questi impiegano la nozione di una griglia, ma consentono di variare la risoluzione della griglia in modo tale da renderla più precisa laddove è necessaria più precisione e più grossolana dove la mappa è uniforme.

Apprendimento della mappa
L’apprendimento della mappa non può essere separato dal processo di localizzazione e sorge una difficoltà quando gli errori nella localizzazione vengono incorporati nella mappa. Questo problema viene comunemente definito localizzazione e mappatura simultanea (SLAM).

Un altro importante problema è determinare se il robot si trova in una parte dell’ambiente già memorizzato o non è mai stato visitato. Un modo per risolvere questo problema è l’utilizzo di beacon elettrici, Near field communication (NFC), WiFi, comunicazione a luce visibile (VLC) e Li-Fi e Bluetooth.

Pianificazione del percorso
La pianificazione del percorso è un problema importante in quanto consente a un robot di ottenere dal punto A al punto B. Gli algoritmi di pianificazione del percorso sono misurati dalla loro complessità computazionale. La fattibilità della pianificazione del movimento in tempo reale dipende dalla precisione della mappa (o planimetria), dalla localizzazione del robot e dal numero di ostacoli. Topologicamente, il problema della pianificazione del percorso è correlato al problema del percorso più breve di trovare una rotta tra due nodi in un grafico.

Navigazione robot
I robot da esterno possono utilizzare il GPS in modo simile ai sistemi di navigazione automobilistica.

I sistemi alternativi possono essere utilizzati con planimetrie e beacon invece di mappe per robot interni, in combinazione con l’hardware wireless di localizzazione. I beacon elettrici possono aiutare i sistemi di navigazione robot a basso costo.

Invio della mappa
Internamente, i robot non rappresentano i dati come fanno le persone, quindi non memorizzano la mappa nel formato immagine. La rappresentazione della mappa è divisa in geometrica e topologica:

Una rappresentazione geometrica rappresenta oggetti nello spazio bidimensionale con coordinate definite.
La rappresentazione topologica rappresenta solo le interconnessioni tra gli oggetti.

Storicamente, è stata utilizzata anche una diversa suddivisione:

La mappa centrata sul mondo rappresenta gli oggetti nello spazio di coordinate globali.
La mappa robotica rappresenta gli oggetti così come sono con il robot.