Роботографическое отображение

Роботизированное картографирование – это дисциплина, связанная с картографией. Целью автономного робота является создание (или использование) карты (наружного использования) или плана этажа (использование в помещении), а также локализация и подзарядки или маяки в ней. Роботизированное отображение – это отрасль, которая занимается изучением и применением способности локализовать себя в карте / плане, а иногда и строить карту или план этажа автономным роботом.

Для поддержания жизни некоторых животных может быть достаточно мягкой формы. Например, для некоторых насекомых среда не интерпретируется как карта, и они выживают только с вызванным ответом. Немного более разработанная стратегия навигации значительно расширяет возможности робота. Когнитивные карты позволяют планировать возможности и использовать текущие восприятия, запоминаемые события и ожидаемые последствия.

Основные проблемы

Шум
Ключевой проблемой с локализацией робота является ошибка измерения. Они вызваны как помехами на уровне сигнала, так и неисправностями датчика. Если ошибки, сделанные во время измерений, были статистически независимыми, тогда не было бы проблем – робот мог бы делать больше измерений и ошибок. К сожалению, они статистически зависимы, потому что они накапливаются во времени и влияют на то, как интерпретируются будущие результаты измерения. Это вызывает много корреляционных систематических ошибок. Выполнение этих ошибок является ключом к созданию карты. По этой причине многие из существующих алгоритмов локализации сложны как по математике, так и по внедрению.

размерность
Проблема возникает из-за большой размерности объектов, которые отображаются. Детальная двумерная карта, которая является обычной роботизированной картой, требует тысячи счетов для хранения данных. Трехмерная карта объекта, такого как дом, потребует миллионов миллиардов. С статистической точки зрения каждое такое число может быть частью другого измерения, и поэтому их отображение очень велико по размерности.

Проблема соответствия
Соблюдение является одной из самых сложных проблем локализации. Проблема заключается в том, как определить, соответствуют ли результаты от датчика в разное время одному и тому же объекту. Например, если робот окружает объект, когда он достигает одного и того же местоположения, он должен определить, где он находится по отношению к его ранее созданной карте. В этот момент ошибка позиции, рассчитанная внутренними методами робота, может быть бесконечно высокой. Робот может установить гипотезу о своем местоположении, но со временем его число возрастает экспоненциально. Поскольку проблема была настолько сложной, как она рассчитывала, она была полностью проигнорирована до конца 1990-х годов.

Изменения в окружающей среде
С течением времени среда меняется. Появление дерева медленно меняется в течение года, другие изменения быстрее, такие как расположение автомобилей и людей или состояние двери. Эти динамические среды добавляют еще один способ интерпретации переменных данных с датчиков. Представьте себе ситуацию, когда робот стоит перед закрытой дверью, которая, согласно последней карте, должна быть свободна. Это явление можно описать двумя гипотезами: изменился ли статус двери, или робот не там, где он думает. Существует очень мало алгоритмов, которые могут создавать значимые карты в динамических средах. Вместо этого большинство алгоритмов исходят из предположения, что вселенная статична, а робот – единственный движущийся объект, а все другие движущиеся вещи – это шум. Поэтому их можно использовать только с небольшими интервалами, в которых окружающая среда относительно постоянна.

Основные методы
Вероятностные методы
Вероятно, почти все современные алгоритмы локализации. Они используют вероятностные модели для представления как робота, так и его среды, а также вероятные помехи для преобразования информации, полученной от датчиков в диаграммы. Вероятностные методы популярны, потому что локализация робота характеризуется неопределенностью и чувственным шумом. Вероятностные алгоритмы имитируют конкретные источники шума и их влияние на результаты измерений. Среди алгоритмов локализации вероятностные подходы оказались наиболее успешными, все из которых в какой-то мере проистекают из байесовской теории.

Фильтры Kalman используют подходы
Классический подход к созданию карт основан на фильтрах Калмана. Фильтры Калмана также основаны на фильтрах Байеса, но их дальнейшее развитие и использование модели Гаусса в их производных. Фильтры Kalman являются наиболее распространенным решением для многих проблем обработки изображений. Фильтры Калмана имеют несколько лет, популярность основана на 1985 году – в 1990 году опубликованы научные статьи, которые были предложены фильтрами Калмана в математических выражениях. Эта формулировка используется сегодня.

Ожидайте алгоритмов максимизации
Алгоритмы максимизации ожидаемой продолжительности (алгоритмы максимизации eXpectation) являются более новой альтернативой фильтрам Kalman. Это статистический алгоритм, который прогнозирует наиболее вероятную карту в соответствии с ожидаемым путем робота. Прогнозирование повторяется в циклах, и результаты, полученные до сих пор, дополняются каждый раз. Метод максимизации ожиданий является хорошим решением проблемы соответствия и намного более успешным, чем фильтры Калмана. Однако использование фильтров Калмана происходит быстрее и, следовательно, более прагматично, когда дело доходит до получения результатов в реальном времени.

Гибридные решения
Гибридные решения объединяют вероятностные методы, такие как фильтры Калмана, и алгоритм максимизации ожидания, используя обе лучшие функции. Вероятные решения очень точны и достигают результатов, которые были невозможны до их ввода в эксплуатацию. Однако из-за их сложного и итеративного дизайна они требуют большой вычислительной мощности, которая может быть как деньгами, так и затратами времени. Практически не создавать спасательную шлюпку в течение нескольких часов или дней, чтобы нанести на карту свое окружение. Решение состоит в оптимизации вероятностных методов с использованием алгоритмов максимизации ожиданий. Результатом является система со значительно более низким потреблением энергии, которая фокусируется на максимизации ожиданий в обозначенных областях и анализе их вероятностными методами.

Отображение динамических сред
Реальные физические среды меняются со временем. Как упоминалось ранее, алгоритмов, которые могут справиться с этой проблемой, не так много. Большинство алгоритмов основано на предположении о статическом мире и, таким образом, не может принять ситуацию, когда известный объект изменил свое местоположение. Вывод состоял бы в том, чтобы изменить расположение вас самих. Однако существуют алгоритмы, которые можно модифицировать, чтобы справляться с определенными типами изменений окружающей среды. Например, фильтры Кальмана могут быть грубо изменены так, чтобы они могли сопоставить ситуацию, когда объекты, известные им, двигаются медленно, и их движение аналогично движению Брауна на траектории.

операция
У робота есть два источника информации: идиотский и аллотетический источники. Когда в движении, робот может использовать методы мертвого расчёта, такие как отслеживание числа оборотов его колес; это соответствует идиотическому источнику и может дать абсолютное положение робота, но оно подвержено кумулятивной ошибке, которая может быстро расти.

Алеотетический источник соответствует датчикам робота, как камера, микрофон, лазер, лидар или гидролокатор. Проблема здесь – «перцепционное сглаживание». Это означает, что два разных места можно воспринимать как одно и то же. Например, в здании практически невозможно определить местоположение исключительно с визуальной информацией, потому что все коридоры могут выглядеть одинаково. 3-мерные модели среды робота могут быть сгенерированы с использованием 3D-сканеров.

Представление карты
Внутреннее представление карты может быть «метрическим» или «топологическим»:

Метрическая структура является наиболее распространенной для людей и рассматривает двумерное пространство, в которое оно помещает объекты. Объекты размещаются с точными координатами. Это представление очень полезно, но чувствительно к шуму, и трудно точно рассчитать расстояния.
В топологической структуре рассматриваются только места и отношения между ними. Часто расстояния между местами хранятся. Карта – это график, в котором узлы соответствуют местам, а дуги соответствуют путям.
Многие методы используют вероятностные представления карты, чтобы справиться с неопределенностью.

Существует три основных метода отображения карты, т. Е. Карты свободного пространства, карты объектов и составные карты. Они используют понятие сетки, но позволяют разрешить сетку варьироваться, чтобы она могла стать более тонкой, где требуется больше точности и более грубая, где карта является однородной.

Изучение карты
Изучение карты не может быть отделено от процесса локализации, и возникает трудность, когда ошибки в локализации включены в карту. Эту проблему обычно называют одновременной локализацией и отображением (SLAM).

Важной дополнительной проблемой является определение того, находится ли робот в той части среды, которая уже хранится или никогда не была посещена. Одним из способов решения этой проблемы является использование электрических маяков, ближней связи (NFC), WiFi, видимой световой коммуникации (VLC) и Li-Fi и Bluetooth.

Планирование маршрута
Планирование маршрута – важная проблема, поскольку он позволяет роботу перейти от точки А к точке В. Алгоритмы планирования маршрута измеряются их вычислительной сложностью. Возможность планирования движения в реальном времени зависит от точности карты (или плана этажа), от локализации робота и от количества препятствий. Топологически проблема планирования пути связана с проблемой кратчайшего пути поиска маршрута между двумя узлами в графе.

Робот-навигация
Наружные роботы могут использовать GPS так же, как автомобильные навигационные системы.

Альтернативные системы могут использоваться с планами этажей и маяками вместо карт для внутренних роботов в сочетании с локализацией беспроводного оборудования. Электрические маяки могут помочь дешевым навигационным навигационным системам.

Представление карты
Внутренне роботы не представляют данные, как люди, поэтому они не сохраняют карту в формате изображения. Представление карты разделено на геометрические и топологические:

Геометрическое представление представляет объекты в двумерном пространстве в определенных координатах.
Топологическое представление представляет собой только взаимосвязи между объектами.

Исторически сложилось также, что используется другая разбивка:

Мироцентрическая карта представляет объекты в глобальном координатном пространстве.
Роботизированная карта представляет объекты так же, как и у робота.