로봇 매핑은지도 제작과 관련된 분야입니다. 자율 로봇의 목표는지도 (옥외 사용) 또는 평면 (실내 사용)을 구성 (또는 사용)하고 자체 및 그 충전 기지 또는 비콘을 현지화하는 것입니다. 로봇 맵핑은지도 / 계획에서 자체적으로 현지화하고 경우에 따라 자율 로봇에 의해지도 또는 평면을 작성하는 기능을 연구하고 적용하는 지점입니다.

진화 적으로 형성된 맹목적인 행동은 동물을 살려두기에 충분할 수 있습니다. 예를 들어 일부 곤충의 경우, 환경은지도로 해석되지 않고 트리거 된 응답으로 만 살아남습니다. 약간 더 정교한 네비게이션 전략은 로봇의 기능을 극적으로 향상시킵니다. 인지지도는 현재의 지각, 암기 된 사건 및 기대되는 결과의 사용 능력을 계획하고 사용할 수있게합니다.

주요 문제
소음
로봇의 현지화와 관련된 주요 문제는 측정 오류입니다. 신호 레벨 간섭과 센서 오작동에 의해 발생합니다. 측정 중에 발생하는 오류가 통계적으로 독립적 인 경우 아무런 문제가 없습니다. 로봇이 더 많은 측정 및 오류를 피할 수 있습니다. 유감스럽게도 시간에 누적되어 미래의 측정 결과가 어떻게 해석되는지에 영향을주기 때문에 통계적으로 의존적입니다. 이로 인해 많은 체계적인 오류가 발생합니다. 이러한 실수를 완수하는 것이 카드를 만드는 열쇠입니다. 기존의 많은 지역화 알고리즘은 수학적 이유와 구현상의 이유로 매우 복잡합니다.

차원
문제는 매핑되는 개체의 큰 차원 특성으로 인해 발생합니다. 일상적인 로봇지도 인 자세한 2 차원지도에는 데이터를 저장하는 데 수천 개의 인보이스가 필요합니다. 집과 같은 물체의 3 차원지도는 수십억을 필요로합니다. 통계적 관점에서 볼 때 이러한 각 숫자는 다른 차원의 일부일 수 있으므로 매핑의 차원이 매우 높습니다.

규정 준수 문제
규정 준수는 현지화에서 가장 어려운 문제 중 하나입니다. 문제는 서로 다른 시간에 센서의 결과가 동일한 객체에 해당하는지 아닌지를 결정하는 방법입니다. 예를 들어, 로봇이 객체를 원으로 그리는 경우, 객체가 같은 위치에 도달하면 이전에 만들어진지도와 비교하여 객체의 위치를 ​​결정해야합니다. 이 순간, 로봇의 내부 방법으로 계산 된 위치의 오차는 무한히 높을 수 있습니다. 로봇은 위치에 대한 가설을 세울 수 있지만 시간이 지남에 따라 그 수는 기하 급수적으로 증가합니다. 문제는 계산하는 것만 큼 어려웠으므로 1990 년대 말까지 완전히 무시되었습니다.

환경 변화
환경은 시간이 지남에 따라 바뀝니다. 나무의 모양은 일년 중 천천히 변하고, 자동차와 사람의 위치 또는 문 상태와 같은 다른 변화가 더 빠릅니다. 이러한 동적 환경은 센서의 변수 데이터를 해석하는 또 다른 방법을 추가합니다. 마지막 카드에 따르면 로봇이 닫힌 문 앞에 서있는 상황을 상상해보십시오. 이 현상은 두 가지 가설로 묘사 될 수 있습니다. – 문 상태가 변경되었거나 로봇이 생각하는 곳이 아닌 경우. 동적 인 환경에서 의미있는 맵을 생성 할 수있는 알고리즘은 거의 없습니다. 대신, 대부분의 알고리즘은 우주가 정적이고 로봇이 유일한 움직이는 물체이고 다른 모든 움직이는 물체는 소음이라는 가정에서부터 진행됩니다. 따라서 환경이 상대적으로 일정한 작은 간격으로 만 사용할 수 있습니다.

기본 방법
확률 론적 방법
거의 모든 현대화 알고리즘이 가능합니다. 그들은 센서로부터받은 정보를 차트로 변환하기 위해 로봇과 환경 모두를 표현하기위한 확률 론적 모델과 가능한 간섭을 사용합니다. 확률 론적 방법은 로봇의 위치 파악이 모호함과 감각적 인 잡음으로 특징 지어지기 때문에 인기가 있습니다. 확률 론적 알고리즘은 특정 노이즈 소스와 측정 결과에 미치는 영향을 시뮬레이션합니다. 로컬라이제이션 알고리즘 중에서는 확률 론적 접근법이 가장 성공적인 것으로 입증되었으며, 모든 방법이 베이 즈 이론에서 비롯된 것입니다.

칼만 필터가 접근법을 사용합니다.
지도를 만드는 고전적인 접근 방식은 칼만의 필터를 기반으로합니다. 칼만의 필터는 베이 즈 필터를 기반으로하지만 추가로 개발되어 파생 상품에서 가우스 모델을 사용합니다. 칼만 필터는 많은 이미지 처리 문제에 대한 가장 일반적인 솔루션입니다. 칼만 필터는 수년이 걸렸으며 인기는 1985 년을 기점으로 1990 년 칼만 필터가 수학 용어로 발표 한 과학 기사를 기반으로합니다. 이 표현은 오늘날 사용 중입니다.

최대화 알고리즘 기대
기대 최대화 알고리즘 (eXpectation Maximization Algorithm)은 칼만 필터의 새로운 대안입니다. 이것은 예상 경로에 따라 가장 가능성이 큰 카드를 예측하는 통계 알고리즘입니다. 예측은 주기적으로 반복되며 지금까지 얻은 결과는 매번 보완됩니다. 기대치를 극대화하는 방법은 규정 준수 문제에 대한 좋은 해결책이며 칼만의 필터보다 훨씬 성공적입니다. 그러나 칼만 필터를 사용하는 것이 더 빠르며 따라서 실시간 결과를 얻을 때 더 실용적입니다.

하이브리드 솔루션
하이브리드 솔루션은 Kalman의 필터와 같은 확률 론적 방법과 더 나은 기능을 모두 사용하는 기대 최대화 알고리즘을 결합합니다. 예상되는 솔루션은 매우 정확하고 작동하기 전에 불가능했던 결과를 얻을 수 있습니다. 그러나 복잡하고 반복적 인 설계로 인해 많은 컴퓨팅 능력이 필요하며 비용과 시간이 많이 걸릴 수 있습니다. 주위를지도로 만들기 위해 몇 시간 또는 며칠 동안 구명정을 만드는 것은 실용적이지 않습니다. 해결책은 기대 최대화 알고리즘을 사용하여 확률 론적 방법을 최적화하는 것입니다. 결과적으로 전력 요구량이 현저히 낮아 지정된 지역에서 기대치를 극대화하고 확률 론적 방법으로 분석하는 데 중점을 둡니다.

동적 환경 매핑
실제 물리적 환경은 시간이 지남에 따라 변화하고 있습니다. 앞서 언급했듯이이 문제를 처리 할 수있는 알고리즘은 많지 않습니다. 대부분의 알고리즘은 정적 세계의 가정을 기반으로하므로 알려진 객체의 위치가 변경된 상황을 받아 들일 수 없습니다. 결론은 자신의 위치를 ​​변경하는 것입니다. 그러나 특정 유형의 환경 변화에 대처하기 위해 수정할 수있는 알고리즘이 있습니다. 예를 들어, Kalman의 필터는 개조 된 오브젝트가 천천히 움직이고 궤도에서 브라운의 움직임과 유사한 상황을 매핑 할 수 있도록 개략적으로 수정할 수 있습니다.

조작
로봇에는 두 가지 정보 소스가 있습니다. 즉, idiothetic 소스와 allothetic 소스입니다. 움직일 때, 로봇은 바퀴의 회전 수를 추적하는 것과 같은 데드 레커닝 (dead reckoning) 방법을 사용할 수 있습니다. 이것은 idiothetic 소스에 해당하며 로봇의 절대 위치를 제공 할 수 있지만 누적 오류가 발생하여 빠르게 증가 할 수 있습니다.

allothetic 소스 카메라, 마이크, 레이저, lidar 또는 소나와 같은 로봇의 센서에 해당합니다. 여기서의 문제는 “지각적인 앨리어싱”입니다. 이것은 두 개의 다른 장소가 동일하게 인식 될 수 있음을 의미합니다. 예를 들어 건물에서 모든 복도가 동일하게 보일 수 있기 때문에 시각적 정보만으로 위치를 결정하는 것은 거의 불가능합니다. 3D 스캐너를 사용하여 로봇 환경의 3 차원 모델을 생성 할 수 있습니다.

지도 표현
맵의 내부 표현은 “메트릭”또는 “토폴로지”일 수 있습니다.

메트릭 프레임 워크는 인간에게 가장 보편적이며 객체를 배치하는 2 차원 공간을 고려합니다. 객체는 정확한 좌표로 배치됩니다. 이 표현은 매우 유용하지만 잡음에 민감하며 거리를 정확하게 계산하기가 어렵습니다.
토폴로지 프레임 워크는 이들 간의 장소와 관계 만 고려합니다. 종종 장소 간의 거리가 저장됩니다. 그러면지도는 노드가 장소에 해당하고 호가 경로에 해당하는 그래프입니다.
많은 기술은 불확실성을 처리하기 위해지도의 확률 론적 표현을 사용합니다.

자유 공간 맵, 오브젝트 맵 및 합성 맵과 같은 맵 표현의 세 가지 주요 메소드가 있습니다. 이것들은 그리드의 개념을 사용하지만 그리드의 해상도가 달라 지므로 더 정확한 정확성이 필요하고 맵이 균일 한 곳에서는 더 조잡해질 수 있습니다.

지도 학습
지도 학습은 현지화 과정과 분리 될 수 없으며 현지화 오류가지도에 통합 될 때 어려움이 발생합니다. 이 문제는 일반적으로 Simultaneous localization and mapping (SLAM)이라고합니다.

중요한 추가 문제는 로봇이 이미 저장되어 있거나 방문하지 않은 환경의 일부에 있는지 여부를 확인하는 것입니다. 이 문제를 해결하는 한 가지 방법은 전기 비콘, 근거리 무선 통신 (NFC), WiFi, 가시 광선 통신 (VLC) 및 Li-Fi 및 Bluetooth를 사용하는 것입니다.

경로 계획
경로 계획은 로봇이 점 A에서 점 B로 이동하도록 허용하므로 중요한 문제입니다. 경로 계획 알고리즘은 계산 복잡도에 따라 측정됩니다. 실시간 모션 계획의 실행 가능성은지도 (또는 평면도)의 정확성, 로봇 현지화 및 장애물 수에 따라 다릅니다. 위상 적으로 경로 계획의 문제는 그래프에서 두 노드 간의 경로를 찾는 최단 경로 문제와 관련이 있습니다.

로봇 네비게이션
실외 로봇은 자동차 네비게이션 시스템과 유사한 방식으로 GPS를 사용할 수 있습니다.

대체 시스템은 실내화 용 무선 하드웨어와 결합 된 실내 로봇 용 맵 대신 평면도 및 비콘과 함께 사용할 수 있습니다. 전기 표지는 저렴한 로봇 항법 시스템에 도움이됩니다.

지도 제출
내부적으로 로봇은 사람들이하는 것처럼 데이터를 나타내지 않으므로 맵을 이미지 형식으로 저장하지 않습니다. 지도 표현은 기하학과 토폴로지로 나뉩니다.

기하학적 표현은 명확한 좌표에서 2 차원 공간에있는 객체를 나타냅니다.
토폴로지 표현은 객체 간의 상호 연결만을 나타냅니다.

역사적으로 다른 고장도 사용되었습니다.

세계 중심의지도는 전역 좌표 공간의 객체를 나타냅니다.
로봇 맵은 로봇과 마찬가지로 오브젝트를 나타냅니다.