O mapeamento robótico é uma disciplina relacionada à cartografia. O objetivo de um robô autônomo é ser capaz de construir (ou usar) um mapa (uso externo) ou planta baixa (uso interno) e localizar-se e suas bases de recarga ou balizas. O mapeamento robótico é aquele ramo que lida com o estudo e a aplicação da capacidade de se localizar em um mapa / plano e, às vezes, de construir o mapa ou a planta baixa pelo robô autônomo.

A ação cega de forma evolutiva pode ser suficiente para manter alguns animais vivos. Para alguns insetos, por exemplo, o ambiente não é interpretado como um mapa e eles sobrevivem apenas com uma resposta acionada. Uma estratégia de navegação um pouco mais elaborada aumenta drasticamente as capacidades do robô. Mapas cognitivos permitem capacidades de planejamento e uso de percepções atuais, eventos memorizados e conseqüências esperadas.

Os principais problemas

Barulho
O principal problema com a localização do robô é o erro de medição. Eles são causados ​​por interferências no nível do sinal e mau funcionamento do sensor. Se os erros cometidos durante as medições fossem estatisticamente independentes, então não haveria problema – o robô poderia fazer mais medições e os erros retrocederiam. Infelizmente, eles são estatisticamente dependentes, porque se acumulam no tempo e afetam como os futuros resultados das medições são interpretados. Isso causa muitos erros sistemáticos correlacionados. Cumprir esses erros é a chave para fazer um cartão. Muitos dos algoritmos de localização existentes são complexos por razões matemáticas e de implementação por essa mesma razão.

Dimensionalidade
O problema surge da natureza dimensional grande dos objetos que estão sendo mapeados. Um mapa bidimensional detalhado, que é um mapa robótico de rotina, requer milhares de faturas para armazenar dados. Um mapa tridimensional de um objeto como uma casa exigiria milhões de bilhões. Do ponto de vista estatístico, cada um desses números pode fazer parte de uma dimensão diferente e, portanto, seu mapeamento é muito alto em dimensionalidade.

Problema de conformidade
A conformidade é uma das questões mais difíceis da localização. O problema é como determinar se os resultados do sensor em momentos diferentes correspondem ao mesmo objeto ou não. Por exemplo, se um robô contorna um objeto, quando ele atinge o mesmo local, ele deve determinar onde ele está localizado em relação ao mapa criado anteriormente. Para este momento, o erro da posição calculada pelos métodos internos do robô pode ser infinitamente alto. O robô pode configurar uma hipótese sobre sua localização, mas com o tempo seu número aumenta exponencialmente. Como o problema era tão difícil quanto o cálculo, ele foi completamente ignorado até o final dos anos 90.

Mudanças no meio ambiente
O ambiente muda com o tempo. A aparência da árvore muda lentamente durante o ano, outras mudanças são mais rápidas, como a localização de carros e pessoas ou o estado da porta. Esses ambientes dinâmicos acrescentam outra maneira de interpretar os dados variáveis ​​dos sensores. Imagine uma situação em que o robô está na frente de uma porta fechada, que, de acordo com a última carta, deve estar solta. Esse fenômeno pode ser descrito com duas hipóteses – se o status da porta mudou ou o robô não está onde pensa que está. Existem muito poucos algoritmos que podem criar mapas significativos em ambientes dinâmicos. Em vez disso, a maioria dos algoritmos parte do pressuposto de que o universo é estático e o robô é o único objeto em movimento e todas as outras coisas em movimento são ruído. Portanto, eles podem ser usados ​​somente em pequenos intervalos, nos quais o ambiente é relativamente constante.

Métodos básicos
Métodos probabilísticos
Quase todos os algoritmos modernos de localização são prováveis. Eles usam modelos probabilísticos para representar o robô e seu ambiente, e provável interferência, a fim de transformar as informações recebidas dos sensores em gráficos. Métodos probabilísticos são populares porque a localização do robô é caracterizada por imprecisão e ruído sensorial. Algoritmos probabilísticos simulam fontes específicas de ruído e seus efeitos nos resultados das medições. Entre os algoritmos de localização, as abordagens probabilísticas provaram ser mais bem-sucedidas, todas de alguma forma derivadas da teoria bayesiana.

Filtros de Kalman usam abordagens
A abordagem clássica para criar mapas é baseada nos filtros de Kalman. Os filtros de Kalman também são baseados em filtros Bayes, mas eles são desenvolvidos e usam o modelo de Gauss em seus derivados. Os filtros de Kalman são a solução mais comum para muitos problemas de processamento de imagem. Os filtros de Kalman têm um número de anos, a popularidade é baseada em 1985 – em 1990 publicou artigos científicos, que foram oferecidos pelos filtros de Kalman em termos matemáticos. Este texto está em uso hoje.

Esperar Algoritmos de Maximização
Algoritmos de maximização de expectativa (algoritmos de maximização de eXpectation) é uma alternativa mais nova aos filtros de Kalman. Este é um algoritmo estatístico que prevê o cartão mais provável de acordo com o caminho esperado do robô. A previsão é repetida em ciclos e os resultados obtidos até o momento são complementados a cada vez. O método de maximizar as expectativas é uma boa solução para o problema de conformidade e é muito mais bem sucedido do que os filtros de Kalman. No entanto, o uso de filtros Kalman é mais rápido e, portanto, mais pragmático quando se trata de obter resultados em tempo real.

Soluções híbridas
As soluções híbridas combinam métodos probabilísticos, como os filtros de Kalman, e o algoritmo de maximização de expectativas, usando os dois melhores recursos. As soluções prováveis ​​são muito precisas e alcançam resultados que não eram possíveis antes de serem colocados em operação. No entanto, devido ao seu design complexo e iterativo, eles exigem grande poder de computação, que pode ser tanto dinheiro quanto tempo. Não é prático criar um bote salva-vidas por horas ou dias para mapear seus arredores. A solução é otimizar métodos probabilísticos usando algoritmos de maximização de expectativa. O resultado é um sistema com um requisito de energia significativamente menor, que se concentra em maximizar as expectativas nas áreas designadas e analisá-las com métodos probabilísticos.

Mapeando Ambientes Dinâmicos
Ambientes físicos reais estão mudando com o tempo. Como mencionado anteriormente, não há muitos algoritmos que possam lidar com esse problema. A maioria dos algoritmos é baseada na suposição de um mundo estático e, portanto, incapaz de aceitar a situação em que um objeto conhecido mudou sua localização. A conclusão seria mudar a localização de você mesmo. No entanto, existem algoritmos que podem ser modificados para lidar com certos tipos de alterações ambientais. Por exemplo, os filtros de Kalman podem ser modificados para que possam mapear a situação em que os objetos conhecidos movem-se lentamente e seu movimento é semelhante ao movimento de Brown na trajetória.

Operação
O robô tem duas fontes de informação: as fontes idiotéticas e alotéticas. Quando em movimento, um robô pode usar métodos de cálculo de posição mortos, como rastrear o número de rotações de suas rodas; isto corresponde à fonte idiotética e pode dar a posição absoluta do robô, mas está sujeito a um erro cumulativo que pode crescer rapidamente.

A fonte alotética corresponde aos sensores do robô, como uma câmera, um microfone, um laser, um sonar. O problema aqui é “aliasing perceptual”. Isso significa que dois lugares diferentes podem ser percebidos como iguais. Por exemplo, em um prédio, é quase impossível determinar um local apenas com a informação visual, porque todos os corredores podem parecer iguais. Modelos tridimensionais do ambiente de um robô podem ser gerados usando scanners 3D.

Representação do mapa
A representação interna do mapa pode ser “métrica” ​​ou “topológica”:

A estrutura métrica é a mais comum para os humanos e considera um espaço bidimensional no qual ela coloca os objetos. Os objetos são colocados com coordenadas precisas. Esta representação é muito útil, mas é sensível ao ruído e é difícil calcular as distâncias com precisão.
O quadro topológico considera apenas lugares e relações entre eles. Muitas vezes, as distâncias entre os lugares são armazenadas. O mapa é então um gráfico, no qual os nós correspondem a lugares e arcos correspondem aos caminhos.
Muitas técnicas usam representações probabilísticas do mapa para lidar com a incerteza.

Existem três métodos principais de representação de mapas, isto é, mapas de espaço livre, mapas de objetos e mapas compostos. Eles empregam a noção de uma grade, mas permitem que a resolução da grade varie, de modo que ela possa se tornar mais fina onde é necessária mais precisão e mais grosseira quando o mapa é uniforme.

Aprendizagem de mapas
A aprendizagem de mapas não pode ser separada do processo de localização e surge uma dificuldade quando os erros de localização são incorporados no mapa. Esse problema é comumente referido como localização e mapeamento simultâneos (SLAM).

Um problema adicional importante é determinar se o robô está em uma parte do ambiente já armazenada ou nunca visitada. Uma maneira de resolver esse problema é usando balizas elétricas, Near field communication (NFC), WiFi, Comunicação de luz visível (VLC) e Li-Fi e Bluetooth.

Planejamento do caminho
O planejamento de caminhos é uma questão importante, pois permite que um robô chegue do ponto A ao ponto B. Os algoritmos de planejamento de caminho são medidos por sua complexidade computacional. A viabilidade do planejamento de movimentos em tempo real depende da precisão do mapa (ou da planta baixa), da localização dos robôs e do número de obstáculos. Topologicamente, o problema do planejamento do caminho está relacionado ao problema do caminho mais curto de encontrar uma rota entre dois nós em um gráfico.

Navegação do robô
Robôs externos podem usar o GPS de maneira semelhante aos sistemas de navegação automotiva.

Sistemas alternativos podem ser usados ​​com planta baixa e beacons em vez de mapas para robôs internos, combinados com hardware sem fio de localização. Faróis elétricos podem ajudar sistemas de navegação de robôs baratos.

Submissão de mapas
Internamente, os robôs não representam dados como as pessoas, portanto, eles não armazenam o mapa em formato de imagem. A representação do mapa é dividida em geométrica e topológica:

Uma representação geométrica representa objetos no espaço bidimensional em coordenadas definidas.
A representação topológica representa apenas as interconexões entre os objetos.

Historicamente, uma divisão diferente também foi usada:

O mapa centrado no mundo representa objetos no espaço de coordenadas global.
O mapa robótico representa objetos como eles são com o robô.