Roboter-Mapping

Roboter-Mapping ist eine kartografische Disziplin. Das Ziel eines autonomen Roboters ist es, eine Karte (Außeneinsatz) oder einen Grundrissplan (Inneneinsatz) erstellen (oder verwenden) zu können und sich selbst und seine Ladestationen oder Baken darin zu lokalisieren. Roboter-Mapping ist der Zweig, der sich mit der Untersuchung und Anwendung der Fähigkeit befasst, sich in einer Karte / einem Plan zu lokalisieren und manchmal die Karte oder den Grundriss durch den autonomen Roboter zu erstellen.

Evolutionär geformte blinde Aktion kann ausreichen, um einige Tiere am Leben zu erhalten. Bei einigen Insekten zum Beispiel wird die Umgebung nicht als Karte interpretiert und sie überleben nur mit einer ausgelösten Reaktion. Eine etwas ausgefeiltere Navigationsstrategie verbessert die Fähigkeiten des Roboters erheblich. Kognitive Karten ermöglichen Planungskapazitäten und die Nutzung aktueller Wahrnehmungen, gespeicherter Ereignisse und erwarteter Konsequenzen.

Die Hauptprobleme
Lärm
Das Hauptproblem bei der Lokalisierung des Roboters ist der Messfehler. Sie werden sowohl durch Signalpegelstörungen als auch durch Fehlfunktionen des Sensors verursacht. Wenn die Fehler, die während der Messungen gemacht wurden, statistisch unabhängig sind, gibt es kein Problem – der Roboter könnte mehr Messungen durchführen und Fehler würden zurückgehen. Leider sind sie statistisch abhängig, da sie sich mit der Zeit ansammeln und die Interpretation zukünftiger Messergebnisse beeinflussen. Dies führt zu vielen korrelierenden systematischen Fehlern. Die Erfüllung dieser Fehler ist der Schlüssel zum Erstellen einer Karte. Viele der vorhandenen Lokalisierungsalgorithmen sind aus mathematischen und Implementierungsgründen aus genau diesem Grund komplex.

Dimensionalität
Das Problem ergibt sich aus der großen Dimension der abzubildenden Objekte. Eine detaillierte zweidimensionale Karte, bei der es sich um eine routinemäßige Roboterkarte handelt, erfordert Tausende von Rechnungen zum Speichern von Daten. Eine dreidimensionale Karte eines Objekts wie eines Hauses würde Millionen von Milliarden erfordern. Statistisch gesehen kann jede solche Zahl Teil einer anderen Dimension sein, und daher ist ihre Zuordnung sehr hochdimensional.

Compliance-Problem
Compliance ist eines der schwierigsten Probleme bei der Lokalisierung. Das Problem ist, wie man feststellen kann, ob die Ergebnisse des Sensors zu unterschiedlichen Zeiten demselben Objekt entsprechen oder nicht. Wenn ein Roboter beispielsweise ein Objekt umkreist, muss er beim Erreichen des gleichen Standorts feststellen, wo sich der Roboter in Bezug auf seine zuvor erstellte Karte befindet. Für diesen Moment kann der durch die internen Methoden des Roboters berechnete Fehler der Position unendlich groß sein. Der Roboter kann eine Hypothese über seinen Standort aufstellen, seine Anzahl nimmt jedoch mit der Zeit exponentiell zu. Da das Problem so schwierig war, wurde es bis Ende der 1990er Jahre völlig ignoriert.

Veränderungen in der Umgebung
Die Umgebung ändert sich mit der Zeit. Das Erscheinungsbild des Baums ändert sich im Laufe des Jahres langsam, andere Änderungen sind schneller, z. B. die Position von Autos und Personen oder der Zustand der Tür. Diese dynamischen Umgebungen bieten eine weitere Möglichkeit zur Interpretation der variablen Daten von Sensoren. Stellen Sie sich eine Situation vor, in der der Roboter vor einer geschlossenen Tür steht, die laut der letzten Karte locker sein sollte. Dieses Phänomen kann mit zwei Hypothesen beschrieben werden – ob sich der Türstatus geändert hat oder der Roboter sich nicht dort befindet, wo er denkt, dass er sich befindet. Es gibt nur wenige Algorithmen, die in dynamischen Umgebungen aussagekräftige Karten erstellen können. Stattdessen gehen die meisten Algorithmen davon aus, dass das Universum statisch ist und der Roboter das einzige sich bewegende Objekt ist und alle anderen sich bewegenden Dinge Rauschen sind. Daher können sie nur in kleinen Intervallen verwendet werden, in denen die Umgebung relativ konstant ist.

Grundlegende Methoden
Probabilistische Methoden
Fast alle modernen Lokalisierungsalgorithmen sind wahrscheinlich. Sie verwenden Wahrscheinlichkeitsmodelle, um sowohl den Roboter als auch seine Umgebung darzustellen, und wahrscheinliche Störungen, um die von Sensoren erhaltenen Informationen in Diagramme umzuwandeln. Probabilistische Methoden sind beliebt, da die Lokalisierung des Roboters durch Unbestimmtheit und sensorisches Rauschen gekennzeichnet ist. Probabilistische Algorithmen simulieren spezifische Lärmquellen und deren Auswirkungen auf die Messergebnisse. Unter den Lokalisierungsalgorithmen haben sich probabilistische Ansätze als am erfolgreichsten erwiesen, die alle auf die Bayes’sche Theorie zurückgehen.

Kalman-Filter verwenden Ansätze
Der klassische Ansatz zum Erstellen von Karten basiert auf Kalmans Filtern. Kalmans Filter basieren ebenfalls auf Bayes-Filtern. Sie werden jedoch weiterentwickelt und verwenden das Gauß-Modell in ihren Derivaten. Kalman-Filter sind die häufigste Lösung für viele Bildverarbeitungsprobleme. Kalman-Filter haben eine Reihe von Jahren, die Popularität basiert auf 1985 – 1990 veröffentlichte wissenschaftliche Artikel, die von den Kalman-Filtern mathematisch angeboten wurden. Diese Formulierung wird heute verwendet.

Maximierungsalgorithmen erwarten
Algorithmen zur Maximierung der Erwartung (Algorithmen zur Optimierung der Auswirkung) sind eine neuere Alternative zu Kalman-Filtern. Dies ist ein statistischer Algorithmus, der die wahrscheinlichste Karte entsprechend dem erwarteten Pfad des Roboters vorhersagt. Die Vorhersage wird in Zyklen wiederholt und die bisher erzielten Ergebnisse werden jedes Mal ergänzt. Die Methode zur Maximierung der Erwartungen ist eine gute Lösung für das Compliance-Problem und ist weitaus erfolgreicher als die Filter von Kalman. Die Verwendung von Kalman-Filtern ist jedoch schneller und daher pragmatischer, wenn es um Echtzeitergebnisse geht.

Hybride Lösungen
Hybridlösungen kombinieren probabilistische Methoden wie die Filter von Kalman und den Algorithmus zur Maximierung der Erwartung unter Verwendung beider besserer Funktionen. Wahrscheinliche Lösungen sind sehr präzise und erzielen Ergebnisse, die vor ihrer Inbetriebnahme nicht möglich waren. Aufgrund ihres komplexen und iterativen Designs benötigen sie jedoch eine große Rechenleistung, die sowohl Geld als auch Zeit in Anspruch nehmen kann. Es ist nicht praktisch, ein Rettungsboot für Stunden oder Tage zu erstellen, um Ihre Umgebung zu kartieren. Die Lösung besteht darin, probabilistische Methoden mithilfe von Algorithmen zur Erwartungsoptimierung zu optimieren. Das Ergebnis ist ein System mit deutlich geringerem Energiebedarf, bei dem die Erwartungen in den vorgesehenen Bereichen maximiert und mit probabilistischen Methoden analysiert werden.

Dynamische Umgebungen zuordnen
Reale physische Umgebungen ändern sich mit der Zeit. Wie bereits erwähnt, gibt es nicht viele Algorithmen, die mit diesem Problem umgehen können. Die meisten Algorithmen basieren auf der Annahme einer statischen Welt und können daher die Situation nicht akzeptieren, in der ein bekanntes Objekt seinen Standort geändert hat. Die Schlussfolgerung wäre, den Ort von dir selbst zu ändern. Es gibt jedoch Algorithmen, die modifiziert werden können, um mit bestimmten Arten von Umgebungsänderungen umzugehen. Zum Beispiel können Kalmans Filter grob modifiziert werden, so dass sie die Situation abbilden können, in der sich Objekte, die ihnen bekannt sind, langsam bewegen und ihre Bewegung der Bewegung von Brown in der Flugbahn ähnelt.

Operation
Der Roboter hat zwei Informationsquellen: die idiotischen und die allothetischen Quellen. Wenn sich ein Roboter in Bewegung befindet, können er Methoden der Koppelnavigation verwenden, z. B. das Nachverfolgen der Drehzahl seiner Räder; Dies entspricht der idiothetischen Quelle und kann die absolute Position des Roboters angeben, unterliegt jedoch einem kumulativen Fehler, der schnell anwachsen kann.

Die allothetische Quelle entspricht den Sensoren des Roboters, wie einer Kamera, einem Mikrofon, einem Laser, einem Lidar oder einem Sonar. Das Problem hier ist „perzeptuelles Aliasing“. Dies bedeutet, dass zwei verschiedene Orte als gleich wahrgenommen werden können. In einem Gebäude ist es beispielsweise fast unmöglich, einen Ort nur anhand der visuellen Informationen zu bestimmen, da alle Korridore möglicherweise gleich aussehen. Mit 3D-Scannern können dreidimensionale Modelle der Roboterumgebung erstellt werden.

Kartendarstellung
Die interne Darstellung der Karte kann „metrisch“ oder „topologisch“ sein:

Das metrische Rahmenwerk ist für den Menschen am häufigsten und berücksichtigt einen zweidimensionalen Raum, in den die Objekte platziert werden. Die Objekte werden mit genauen Koordinaten platziert. Diese Darstellung ist sehr nützlich, ist jedoch rauschempfindlich und es ist schwierig, die Entfernungen genau zu berechnen.
Der topologische Rahmen berücksichtigt nur Orte und Beziehungen zwischen ihnen. Oft werden die Entfernungen zwischen Orten gespeichert. Die Karte ist dann ein Diagramm, in dem die Knoten Orten und Bögen den Pfaden entsprechen.
Viele Techniken verwenden Wahrscheinlichkeitsrepräsentationen der Karte, um mit Unsicherheit umzugehen.

Es gibt drei Hauptmethoden für Kartendarstellungen, z. B. Freiraumkarten, Objektkarten und zusammengesetzte Karten. Diese verwenden den Begriff eines Gitters, erlauben jedoch eine unterschiedliche Auflösung des Gitters, sodass es dort feiner werden kann, wo eine höhere Genauigkeit erforderlich ist, und dort, wo die Karte einheitlich ist, gröber.

Kartenlernen
Das Kartenlernen kann nicht vom Lokalisierungsprozess getrennt werden, und eine Schwierigkeit entsteht, wenn Fehler bei der Lokalisierung in die Karte einbezogen werden. Dieses Problem wird allgemein als Simultaneous Localization and Mapping (SLAM) bezeichnet.

Ein wichtiges zusätzliches Problem besteht darin, zu bestimmen, ob sich der Roboter in einem Teil der Umgebung befindet, der bereits gespeichert ist oder noch nie besucht wurde. Eine Möglichkeit, dieses Problem zu lösen, besteht in der Verwendung von elektrischen Leuchtfeuern, Nahfeldkommunikation (NFC), WLAN, Kommunikation mit sichtbarem Licht (VLC) und Li-Fi und Bluetooth.

Pfadplanung
Die Pfadplanung ist ein wichtiges Thema, da ein Roboter von Punkt A zu Punkt B gelangen kann. Pfadplanungsalgorithmen werden anhand ihrer rechnerischen Komplexität gemessen. Die Realisierbarkeit einer Echtzeit-Bewegungsplanung hängt von der Genauigkeit der Karte (oder des Grundrisses), der Roboterlokalisierung und der Anzahl der Hindernisse ab. Das Problem der Pfadplanung hängt topologisch mit dem Problem des kürzesten Pfades zusammen, bei dem eine Route zwischen zwei Knoten in einem Graphen gesucht wird.

Roboternavigation
Außenroboter können GPS ähnlich wie in Navigationssystemen für Fahrzeuge verwenden.

Alternative Systeme können anstelle von Karten für Innenroboter mit Grundriss und Beacons verwendet werden, kombiniert mit drahtloser Lokalisierungshardware. Elektrische Baken können für billige Roboternavigationssysteme hilfreich sein.

Karteneinreichung
Intern stellen die Roboter Daten nicht wie Personen dar und speichern die Karte nicht im Bildformat. Die Kartendarstellung ist in geometrische und topologische Bereiche unterteilt:

Eine geometrische Darstellung repräsentiert Objekte im zweidimensionalen Raum an bestimmten Koordinaten.
Die topologische Darstellung repräsentiert nur die Verbindungen zwischen den Objekten.

In der Vergangenheit wurde auch eine andere Aufteilung verwendet:

Die weltzentrierte Karte repräsentiert Objekte im globalen Koordinatenraum.
Die Roboterkarte repräsentiert Objekte, wie sie beim Roboter sind.