رسم الخرائط الروبوتية هو الانضباط المتعلقة رسم الخرائط. الهدف للروبوت المستقل هو أن يكون قادرا على بناء (أو استخدام) خريطة (استخدام في الهواء الطلق) أو خطة أرضية (استخدام داخلي) وتوطين نفسها وقواعد إعادة شحنها أو مناراتها فيها. رسم الخرائط الروبوتية هو ذلك الفرع الذي يتعامل مع دراسة وتطبيق القدرة على توطين نفسها في خريطة / خطة وأحيانًا لبناء الخريطة أو مخطط الطابق بواسطة الروبوت المستقل.
قد يكافئ عمى المكفوفين على نحو تطوري على الإبقاء على بعض الحيوانات حية. بالنسبة لبعض الحشرات على سبيل المثال ، لا يتم تفسير البيئة على أنها خريطة ، ولا يتم استخدامها إلا مع الاستجابة المشغلة. تعمل استراتيجية الملاحة بشكل أكثر تفصيلاً على تعزيز قدرات الروبوت بشكل كبير. تتيح الخرائط المعرفية قدرات التخطيط واستخدام التصورات الحالية والأحداث التي تم حفظها والعواقب المتوقعة.
المشاكل الرئيسية
الضوضاء
تكمن المشكلة الرئيسية في توطين الروبوت في خطأ القياس. وهي ناتجة عن تداخل على مستوى الإشارة وعطل في المستشعر. إذا كانت الأخطاء التي تم إجراؤها أثناء القياسات مستقلة من الناحية الإحصائية ، فلن تكون هناك مشكلة – فالروبوت قد يجعل المزيد من القياسات والأخطاء تتراجع. لسوء الحظ ، فهي تعتمد إحصائيا ، لأنها تتراكم في الوقت المناسب وتؤثر على كيفية تفسير نتائج القياس المستقبلية. هذا يسبب الكثير من الأخطاء المنهجية المرتبطة. إن تحقيق هذه الأخطاء هو مفتاح صنع البطاقة. العديد من خوارزميات التوطين الحالية معقدة لكل من الأسباب الرياضية والتنفيذية لهذا السبب بالذات.
الأبعاد
تنشأ المشكلة من طبيعة الأبعاد الكبيرة للأشياء التي يتم تخطيطها. تتطلب الخريطة التفصيلية ثنائية الأبعاد ، وهي خريطة روتينية روتينية ، آلاف الفواتير لتخزين البيانات. تتطلب خريطة ثلاثية الأبعاد لجسم مثل المنزل ملايين المليارات. من وجهة نظر إحصائية ، يمكن أن يكون كل رقم من هذا القبيل جزءًا من بُعد مختلف ، وبالتالي فإن رسم الخرائط له مرتفع جدًا في الأبعاد.
مشكلة الامتثال
الامتثال هو واحد من أصعب القضايا المحلية. تكمن المشكلة في كيفية تحديد ما إذا كانت نتائج المستشعر في أوقات مختلفة تتوافق مع الكائن نفسه أم لا. على سبيل المثال ، إذا كان الروبوت يدور حول كائن ، فإنه عندما يصل إلى نفس الموقع ، يجب عليه تحديد موقعه بالنسبة إلى الخريطة التي تم إنشاؤها سابقًا. في هذه اللحظة ، يمكن أن يكون خطأ الموقع المحسوب بواسطة الطرق الداخلية للإنسان عالياً بلا حدود. يمكن للروبوت أن يضع فرضية حول موقعه ، لكن بمرور الوقت يرتفع عدده بشكل كبير. ولأن المشكلة كانت صعبة للغاية ، فقد كانت مهملة حتى نهاية التسعينات.
التغييرات في البيئة
تتغير البيئة بمرور الوقت. يتغير شكل الشجرة ببطء خلال العام ، وتكون التغييرات الأخرى أسرع ، مثل موقع السيارات والأشخاص أو حالة الباب. تضيف هذه البيئات الديناميكية طريقة أخرى لتفسير البيانات المتغيرة من المستشعرات. تخيّل وضعًا يقف فيه الروبوت أمام باب مغلق ، والذي يجب ، وفقًا للبطاقة الأخيرة ، أن يكون فضفاضًا. يمكن وصف هذه الظاهرة بفرضيتين – سواء تغيرت حالة الباب أو لم يكن الروبوت هو المكان الذي يعتقد فيه. هناك عدد قليل جدًا من الخوارزميات التي يمكنها إنشاء خرائط ذات معنى في البيئات الديناميكية. بدلاً من ذلك ، تنطلق معظم الخوارزميات من الافتراض بأن الكون ساكن وأن الروبوت هو الكائن المتحرك الوحيد وجميع الأشياء المتحركة الأخرى هي الضوضاء. لذلك ، يمكن استخدامها فقط على فترات صغيرة ، تكون فيها البيئة ثابتة نسبيًا.
الأساليب الأساسية
الأساليب الاحتمالية
تقريبا كل خوارزميات التوطين الحديثة محتملة. وهم يستخدمون نماذج احتمالية لتمثيل كل من الروبوت وبيئته ، والتداخل المحتمل من أجل تحويل المعلومات الواردة من أجهزة الاستشعار إلى رسوم بيانية. الطرق الاحتمالية شائعة لأن توطين الروبوت يتميز بالغموض والضوضاء الحسية. تحاكي الخوارزميات الاحتمالية مصادر الضوضاء المحددة وتأثيراتها على نتائج القياس. من بين خوارزميات التوطين ، أثبتت الأساليب الاحتمالية أنها الأكثر نجاحًا ، وكلها تنبع بطريقة ما من نظرية بايز.
مرشحات Kalman استخدام النهج
يعتمد الأسلوب الكلاسيكي لإنشاء الخرائط على فلاتر Kalman. تعتمد مرشحات Kalman أيضًا على فلاتر Bayes ، ولكن يتم تطويرها واستخدام نموذج Gauss في مشتقاتها. تعد مرشحات Kalman هي الحل الأكثر شيوعًا للعديد من مشكلات معالجة الصور. مرشحات Kalman لديها عدد من السنوات ، وتستند شعبية 1985 – في عام 1990 نشرت مقالات علمية ، والتي عرضت من قبل مرشحات كالمان في شروط رياضية. هذه الصياغة قيد الاستخدام اليوم.
نتوقع خوارزميات تعظيم
تعد خوارزميات الحد الأقصى المتوقعة (خوارزميات تعظيم التكبير) بديلًا جديدًا لمرشحات Kalman. هذه خوارزمية إحصائية تتنبأ بالبطاقة الأكثر احتمالًا وفقًا للمسار المتوقع للروبوت. يتكرر التنبؤ في دورات ، ويتم استكمال النتائج التي تم الحصول عليها حتى الآن في كل مرة. إن طريقة تعظيم التوقعات هي حل جيد لمشكلة الامتثال وهي أكثر نجاحًا بكثير من فلاتر كالمان. ومع ذلك ، فإن استخدام مرشحات Kalman يكون أسرع ، وبالتالي أكثر واقعية عندما يتعلق الأمر الحصول على نتائج في الوقت الحقيقي.
الحلول المختلطة
تجمع الحلول الهجينة بين الأساليب الاحتمالية ، مثل مرشحات Kalman ، وخوارزمية تعظيم التوقعات ، باستخدام كلٍّ من الميزات الأفضل. الحلول المحتملة دقيقة للغاية وتحقق نتائج لم تكن ممكنة قبل تشغيلها. ومع ذلك ، نظرًا لتصميمها المعقد والمتكرر ، فإنها تتطلب طاقة كبيرة للحوسبة ، والتي يمكن أن تكون مالًا واستهلاكًا للوقت. من غير العملي إنشاء قارب نجاة لساعات أو أيام لتعيين محيطك. الحل هو تحسين الطرق الاحتمالية باستخدام خوارزميات تعظيم التوقعات. والنتيجة هي نظام ذو متطلبات طاقة أقل بكثير ، والتي تركز على تحقيق أقصى قدر من التوقعات في المناطق المحددة وتحليلها بطرق احتمالية.
رسم بيئات ديناميكية
تتغير البيئات الفعلية الفعلية بمرور الوقت. كما ذكر من قبل ، لا توجد العديد من الخوارزميات التي يمكنها التعامل مع هذه المشكلة. تعتمد معظم الخوارزميات على افتراض وجود عالم ثابت ، وبالتالي لا يمكن قبول الحالة التي يكون فيها كائن معروف قد غير موقعه. الاستنتاج سيكون لتغيير موقع نفسك. ومع ذلك ، هناك خوارزميات يمكن تعديلها للتعامل مع أنواع معينة من التغييرات البيئية. على سبيل المثال ، يمكن تعديل مرشحات Kalman تقريبًا بحيث يمكنها تعيين الحالة حيث تتحرك الأشياء المعروفة لها ببطء وتتشابه حركتها مع حركة Brown في المسار.
عملية
لدى الروبوت مصدران للمعلومات: المصادر الجوهرية والتقليدية. عند الحركة ، يمكن للروبوت استخدام أساليب الحساب الميتة مثل تتبع عدد دورات عجلاته ؛ هذا يتوافق مع المصدر الجاذب ويمكن أن يعطي الموقف المطلق للروبوت ، لكنه يخضع لخطأ تراكمي يمكن أن ينمو بسرعة.
يتطابق المصدر التطبيقي مع مستشعرات الروبوت ، مثل الكاميرا أو الميكروفون أو الليزر أو الليدار أو السونار. المشكلة هنا هي “الإدراك الحسي”. هذا يعني أنه يمكن النظر إلى المكانين المختلفين على أنهما نفس الشيء. على سبيل المثال ، في أحد المباني ، يكاد يكون من المستحيل تحديد موقع فقط مع المعلومات المرئية ، لأن كل الممرات قد تبدو متشابهة. يمكن إنشاء نماذج ثلاثية الأبعاد لبيئة الروبوت باستخدام الماسحات الضوئية ثلاثية الأبعاد.
تمثيل الخريطة
يمكن أن يكون التمثيل الداخلي للخريطة “متري” أو “طبولوجيا”:
الإطار المتري هو الأكثر شيوعًا بالنسبة إلى البشر ويعتبر مساحة ثنائية الأبعاد يضع فيها الكائنات. يتم وضع الكائنات بإحداثيات دقيقة. هذا التمثيل مفيد للغاية ، ولكنه حساس للضوضاء ومن الصعب حساب المسافات بدقة.
يدرس الإطار الطوبوغرافي الأماكن والعلاقات فيما بينها فقط. في كثير من الأحيان ، يتم تخزين المسافات بين الأماكن. الخريطة عبارة عن رسم بياني ، تتوافق فيه العقد مع أماكن وأقواس تتوافق مع المسارات.
تستخدم العديد من التقنيات تمثيلات احتمالية للخريطة ، من أجل التعامل مع عدم اليقين.
توجد ثلاث طرق رئيسية لتمثيل الخرائط ، أي خرائط الفضاء المجانية ، وخرائط الكائنات ، والخرائط المركبة. توظف هذه الفكرة مفهوم الشبكة ، ولكنها تسمح بتباين دقة الشبكة بحيث يمكن أن تصبح أدق كلما كانت هناك حاجة إلى دقة أكبر وخشونة أكثر عندما تكون الخريطة موحدة.
تعلم الخريطة
لا يمكن فصل تعلم الخرائط عن عملية التوطين ، وتنشأ صعوبة عند دمج أخطاء الترجمة في الخريطة. يشار إلى هذه المشكلة بشكل شائع باسم التعريب التعييني ورسم الخرائط (SLAM).
هناك مشكلة إضافية مهمة تتمثل في تحديد ما إذا كان الروبوت في جزء من البيئة المخزنة بالفعل أو لم يسبق زيارته. إحدى الطرق لحل هذه المشكلة هي استخدام منارات الكهرباء ، والاتصالات الميدانية القريبة (NFC) ، و WiFi ، والاتصالات الضوئية المرئية (VLC) و Li-Fi و Bluetooth.
تخطيط المسار
يعد تخطيط المسار مسألة مهمة لأنه يسمح للإنسان الآلي بالوصول من النقطة أ إلى النقطة ب. يتم قياس خوارزميات تخطيط المسار من خلال تعقيدها الحسابي. تعتمد جدوى تخطيط الحركة في الوقت الفعلي على دقة الخريطة (أو المخطط الأرضي) ، على توطين الروبوت وعلى عدد العقبات. من الناحية الطوبوغرافية ، ترتبط مشكلة تخطيط المسار بأقصر مسار لمسألة إيجاد مسار بين عقدتين في الرسم البياني.
الملاحة الروبوت
الروبوتات في الهواء الطلق يمكن أن تستخدم نظام تحديد المواقع بطريقة مشابهة لأنظمة الملاحة الآلية.
يمكن استخدام الأنظمة البديلة مع مخطط الأرضية والمنارات بدلاً من الخرائط الخاصة بالروبوتات الداخلية ، بالإضافة إلى الأجهزة اللاسلكية المحلية. منارات كهربائية يمكن أن تساعد في أنظمة الملاحة الروبوت رخيصة.
تقديم الخريطة
داخليًا ، لا تمثل الروبوتات البيانات كما يفعل الأشخاص ، لذلك لا يقومون بتخزين الخريطة بتنسيق الصورة. ينقسم تمثيل الخريطة إلى هندسية وتوبولوجية:
يمثل التمثيل الهندسي كائنات في فضاء ثنائي الأبعاد عند إحداثيات محددة.
يمثل التمثيل الطوبوغرافي فقط الترابط بين الكائنات.
تاريخياً ، تم استخدام توزيع مختلف أيضًا:
تمثل الخريطة التي تتمحور حول العالم كائنات في مساحة الإحداثيات العالمية.
تمثل الخريطة الآلية كائنات كما هي مع الروبوت.