ロボットマッピングは、地図作成に関連する分野です。 自律型ロボットの目標は、マップ（屋外用）またはフロアプラン（屋内用）を構築（または使用）し、自らおよびその充電基地またはビーコンをローカライズすることです。 ロボットマッピングとは、地図/計画で自分自身をローカライズする能力と、場合によっては自律ロボットによって地図やフロアプランを構築する能力の研究と応用を扱うブランチです。

進化的に形作られた盲目の行動は、いくつかの動物を生きたままにするのに十分かもしれない。 例えば、いくつかの昆虫では、環境は地図として解釈されず、誘発された応答でのみ生き残ります。 やや精巧なナビゲーション戦略は、ロボットの能力を劇的に向上させます。 認知地図は、現在の知覚、記憶された出来事、および予想される結果の計画能力および使用を可能にする。

主な問題

ノイズ
ロボットのローカライゼーションに関する重要な問題は測定誤差です。 これらは、信号レベルの干渉とセンサの誤動作の両方によって発生します。 測定中に行われたエラーが統計的に独立していた場合、問題は発生しません。ロボットはより多くの測定値と誤差を後退させる可能性があります。 残念ながら、それらは時間的に蓄積​​し、将来の測定結果がどのように解釈されるかに影響するため、統計的に依存しています。 これは多くの相関する系統誤差を引き起こす。 これらの間違いを克服することは、カードを作るための鍵です。 既存のローカリゼーションアルゴリズムの多くは、数学的理由と実装上の理由から非常に複雑です。

次元性
この問題は、マッピングされるオブジェクトの大きな次元の性質から生じる。 ルーチンのロボットマップである詳細な2次元マップは、データを格納するために何千もの請求書を必要とします。 家のようなオブジェクトの3次元マップには何百億ものものが必要です。 統計的な観点からは、このような数はそれぞれ異なる次元の一部である可能性があり、したがって、それらのマッピングは次元が非常に高い。

コンプライアンスの問題
コンプライアンスは、ローカリゼーションの最も難しい問題の1つです。 問題は、異なる時間にセンサーからの結果が同じオブジェクトに対応するかどうかを判別する方法です。 たとえば、ロボットがオブジェクトを円で囲む場合、オブジェクトが同じ場所に到達すると、以前に作成されたマップとの相対的な位置を決定する必要があります。 このとき、ロボットの内部方法で計算された位置の誤差は無限に大きくなります。 ロボットはその位置についての仮説を立てることができるが、時間が経つにつれてその数は指数関数的に増加する。 問題は計算するほど難しいので、1990年代の終わりまでは完全に無視されていました。

環境の変化
環境は時間とともに変化します。 木の外観は年中にゆっくりと変化し、車や人の位置やドアの状態などの変化が速くなります。 これらの動的環境は、センサからの可変データを解釈する別の方法を追加する。 最後のカードによると、ロボットが閉じたドアの前に立つ状況を想像してください。 この現象は、2つの仮説、すなわちドアの状態が変化したか、またはロボットがそれがどこにあるかとは別の2つの仮説で説明することができる。 動的環境で意味のある地図を作成できるアルゴリズムはごくわずかです。 代わりに、ほとんどのアルゴリズムは、宇宙が静的であり、ロボットが唯一の動く物体であり、他のすべての動くものはノイズであるという前提から進んでいます。 したがって、環境が比較的一定している小さな間隔でのみ使用できます。

基本的な方法
確率論的方法
ほとんどすべての現代のローカリゼーションアルゴリズムが可能です。 彼らは、センサから受け取った情報をチャートに変換するために、ロボットとその環境の両方を表すための確率モデル、および可能性のある干渉を使用する。 確率的方法は、ロボットの位置特定が曖昧さや感覚的ノイズによって特徴づけられるので一般的である。 確率的アルゴリズムは、特定のノイズ源とその測定結果への影響をシミュレートします。 ローカリゼーションアルゴリズムの中で、確率論的手法が最も成功していることが証明されており、いずれもベイジアン理論に由来している。

カルマンフィルタはアプローチを使用します
マップを作成する従来の方法は、カルマンのフィルタに基づいています。 KalmanのフィルタはBayesフィルタにも基づいていますが、それらはさらに開発され、その導関数にガウスモデルを使用します。 カルマンフィルタは、多くの画像処理の問題の最も一般的な解決法です。 カルマンフィルタは何年もの年月を経ており、1990年に出版された科学論文は数学的にカルマンフィルタによって提供されていました。 この言葉は今日使用されています。

最大化アルゴリズムを期待する
期待値最大化アルゴリズム（eXpectation Maxization Algorithm）は、カルマンフィルタの新しい代替手段です。 これは、予想されるロボットの経路に従って最も可能性の高いカードを予測する統計的アルゴリズムです。 予測はサイクルで繰り返され、これまでに得られた結果は毎回補充されます。 期待を最大化する方法は、コンプライアンスの問題に対する良い解決策であり、カルマンのフィルタよりもはるかに成功しています。 しかし、カルマンフィルタの使用はより高速であり、したがってリアルタイム結果を得ることになるとより実用的です。

ハイブリッドソリューション
ハイブリッドソリューションは、より優れた機能の両方を使用して、カルマンフィルタなどの確率的手法と期待値最大化アルゴリズムを組み合わせています。 予想される解決策は非常に正確であり、手術前には不可能だった結果を達成する。 しかし、その複雑で反復的な設計のため、大規模なコンピューティングパワーが必要であり、コストと時間がかかることがあります。 周囲に地図を描くために数時間または数日間の救命艇を作るのは現実的ではありません。 解決策は、期待最大化アルゴリズムを用いて確率的方法を最適化することである。 その結果、指定された領域での期待を最大化し、確率的方法でそれらを分析することに焦点を当てた、所要電力が大幅に低減されたシステムが得られる。

動的環境のマッピング
実際の物理環境は時とともに変化しています。 前述のように、この問題を処理できるアルゴリズムはあまりありません。 ほとんどのアルゴリズムは、静的な世界の仮定に基づいており、既知のオブジェクトがその場所を変更した状況を受け入れることができません。 結論はあなたの場所を変更することです。 しかし、特定のタイプの環境変化に対処するために変更できるアルゴリズムがあります。 例えば、Kalmanのフィルタは、既知のオブジェクトがゆっくり移動し、その動きが軌道上のBrownの動きに似ている状況をマップできるように、大まかに修正できます。

操作
ロボットには2つの情報源があります.1つはidiotheticとallotheticです。 動いているとき、ロボットは自転車の回転数を追跡するような推測航法を使用することができます。 これは奇妙なソースに相当し、ロボットの絶対位置を与えることができますが、急速に成長する累積誤差の影響を受けます。

アロティックソースは、カメラ、マイクロフォン、レーザー、ライダーまたはソナーのようなロボットのセンサーに対応する。 ここでの問題は「知覚エイリアシング」です。 これは、2つの異なる場所が同じものとして認識され得ることを意味する。 たとえば、建物では、すべての回廊が同じように見えるため、視覚情報だけで場所を特定することはほとんど不可能です。 3Dスキャナを使用して、ロボットの環境の3次元モデルを生成することができる。

地図表現
マップの内部表現は、「メトリック」または「トポロジカル」です。

メトリックフレームワークは、人間にとって最も一般的であり、オブジェクトを配置する2次元空間を考慮する。 オブジェクトは正確な座標で配置されます。 この表現は非常に便利ですが、ノイズに敏感で、距離を正確に計算することは困難です。
トポロジカル・フレームワークは、それらの間の場所と関係のみを考慮する。 しばしば、場所間の距離が記憶される。 このマップはグラフであり、ノードは場所に対応し、円弧はパスに対応します。
不確実性を処理するために、多くの手法がマップの確率論的表現を使用しています。

マップ表現には、空き領域マップ、オブジェクトマップ、および複合マップの3つの主な方法があります。 これらはグリッドという概念を採用していますが、グリッドの解像度を変えることで、精度が必要な場合は細かくなり、マップが均一な場合は粗くなります。

マップ学習
マップ学習はローカライゼーションプロセスと分離することはできず、ローカライゼーションのエラーがマップに組み込まれると、問題が発生します。 この問題は、一般に、同時ローカリゼーションおよびマッピング（SLAM）と呼ばれます。

重要な追加の問題は、ロボットがすでに格納されている環境にいるのか、まったく訪れていない環境の一部にあるのかを判断することです。 この問題を解決する1つの方法は、電気ビーコン、近距離通信（NFC）、WiFi、可視光通信（VLC）、およびLi-FiおよびBluetoothを使用することである。

パスプランニング
経路計画は、ロボットが点Aから点Bに到達することを可能にするので、重要な問題である。経路計画アルゴリズムは、計算の複雑さによって測定される。 リアルタイム動作計画の実行可能性は、地図（またはフロアプラン）の精度、ロボットのローカライゼーション、および障害物の数に依存します。 トポロジー的には、経路計画の問題は、グラフ内の2つのノード間のルートを見つける最短経路問題に関連しています。

ロボットのナビゲーション
屋外のロボットは、車載ナビゲーションシステムと同様にGPSを使用できます。

代わりのシステムは、屋内ロボット用のマップではなく、フロアプランとビーコンと共に、ローカリゼーション用のワイヤレスハードウェアと組み合わせて使用​​できます。 電気ビーコンは、安価なロボットナビゲーションシステムに役立ちます。

マップ提出
内部的には、ロボットは人のようにデータを表現しないため、マップを画像形式で保存しません。 マップ表現は幾何学的および位相的に分けられる：

幾何学的表現は、明確な座標における2次元空間のオブジェクトを表す。
トポロジー表現は、オブジェクト間の相互接続のみを表す。

歴史的に、別の内訳も使用されています。

世界中心のマップは、グローバル座標空間内のオブジェクトを表します。
ロボットマップは、ロボットと同じようにオブジェクトを表します。