机器人绘图

机器人绘图(Robotic mapping)是与制图相关的学科。 自主机器人的目标是能够构建(或使用)地图(户外使用)或平面图(室内使用)并将其自身及其充电基地或信标本地化。 机器人映射是一个分支,它处理在地图/计划中定位自身的能力的研究和应用,有时由自主机器人构建地图或平面图。

进化形状的盲目动作可能足以使一些动物保持活力。 例如,对于某些昆虫,环境不会被解释为地图,并且它们仅在触发响应时才存活。 稍微详细的导航策略可以显着增强机器人的功能。 认知地图可以规划能力和使用当前感知,记忆事件和预期后果。

主要问题

噪声
机器人定位的关键问题是测量误差。 它们是由信号电平干扰和传感器故障引起的。 如果在测量期间产生的误差在统计上是独立的,那么就没有问题 – 机器人可以进行更多的测量并且错误会消退。 不幸的是,它们在统计上是依赖的,因为它们会及时累积并影响未来测量结果的解释方式。 这导致许多相关的系统误差。 实现这些错误是制作卡片的关键。 由于这个原因,许多现有的定位算法在数学和实现方面都很复杂。

维数
问题源于被映射对象的大尺寸特性。 详细的二维地图是一种常规机器人地图,需要数千张发票来存储数据。 像房子这样的物体的三维地图需要数百亿。 从统计的角度来看,每个这样的数字可以是不同维度的一部分,因此它们的映射在维度上非常高。

合规问题
合规性是本地化中最困难的问题之一。 问题是如何确定传感器在不同时间的结果是否对应于同一对象。 例如,如果机器人圈出一个对象,当它到达同一位置时,它必须确定它相对于其先前创建的地图的位置。 此时,机器人内部方法计算出的位置误差可能无限高。 机器人可以建立关于其位置的假设,但随着时间的推移,其数量呈指数增长。 由于这个问题在计算时非常困难,直到20世纪90年代末才被完全忽略。

环境的变化
环境随时间而变化。 树木的外观在一年中变化缓慢,其他变化更快,例如汽车和人的位置或门的状态。 这些动态环境增加了另一种解释传感器变量数据的方法。 想象一下机器人站在一扇关闭的门前面的情况,根据最后一张卡,它应该是松动的。 这种现象可以用两个假设来描述 – 门的状态是否已经改变,或者机器人不在它认为的位置。 很少有算法可以在动态环境中创建有意义的地图。 相反,大多数算法都是假设宇宙是静态的,而机器人是唯一的运动物体而所有其他运动物体都是噪声。 因此,它们只能以较小的间隔使用,其中环境相对恒定。

基本方法

概率方法
几乎所有现代定位算法都是可能的。 他们使用概率模型来表示机器人及其环境,以及可能的干扰,以便将从传感器接收的信息转换为图表。 概率方法很受欢迎,因为机器人的定位以模糊和感觉噪声为特征。 概率算法模拟特定噪声源及其对测量结果的影响。 在定位算法中,概率方法被证明是最成功的,所有这些都在某种程度上源于贝叶斯理论。

卡尔曼滤波器使用方法
创建地图的经典方法是基于卡尔曼滤波器。 卡尔曼滤波器也基于贝叶斯滤波器,但它们被进一步开发并在其衍生物中使用高斯模型。 卡尔曼滤波器是许多图像处理问题的最常见解决方案。 卡尔曼滤波器已有多年,其受欢迎程度基于1985年 – 1990年发表的科学论文,这些文章均由卡尔曼滤波器以数学术语提供。 这个措辞今天正在使用。

期待最大化算法
期望最大化算法(eXpectation maximization algorithms)是卡尔曼滤波器的新选择。 这是一种统计算法,可根据机器人的预期路径预测最可能的卡。 以循环重复预测,并且每次补充到目前为止获得的结果。 最大化期望的方法是合规问题的良好解决方案,并且比卡尔曼的过滤器更成功。 然而,使用卡尔曼滤波器更快,因此在获得实时结果时更加务实。

混合解决方案
混合解决方案结合使用概率方法(如卡尔曼滤波器)和期望最大化算法,使用两种更好的特征。 可能的解决方案非常精确,并且可以实现在投入运行之前无法实现的结果。 然而,由于它们的复杂和迭代设计,它们需要大的计算能力,这既费钱又耗时。 创建一艘数小时或数天的救生艇来映射周围环境是不切实际的。 解决方案是使用期望最大化算法优化概率方法。 结果是一个功率要求显着降低的系统,其重点是最大化指定区域的期望并使用概率方法进行分析。

映射动态环境
真实的物理环境随着时间而变化。 如前所述,没有多少算法可以解决这个问题。 大多数算法都基于静态世界的假设,因此无法接受已知对象已改变其位置的情况。 结论是改变自己的位置。 但是,有些算法可以修改以应对某些类型的环境变化。 例如,可以粗略地修改卡尔曼滤波器,以便它们可以映射其中已知对象缓慢移动的情况,并且它们的移动类似于布朗在轨迹中的移动。

操作
机器人有两个信息来源:独特的和独特的来源。 在运动时,机器人可以使用航位推算方法,例如跟踪其车轮的转数; 这对应于独特的来源,可以给出机器人的绝对位置,但它会受到累积误差的影响,而这种误差会迅速增长。

分配源对应于机器人的传感器,如相机,麦克风,激光,激光雷达或声纳。 这里的问题是“感知混叠”。 这意味着可以将两个不同的地方视为相同。 例如,在建筑物中,几乎不可能仅通过视觉信息确定位置,因为所有走廊看起来都是相同的。 可以使用3D扫描仪生成机器人环境的三维模型。

地图表示
地图的内部表示可以是“公制”或“拓扑”:

度量框架是人类最常用的,并且考虑了放置对象的二维空间。 物体以精确的坐标放置。 这种表示非常有用,但对噪声很敏感,很难精确计算距离。
拓扑框架仅考虑它们之间的位置和关系。 通常,存储地点之间的距离。 然后该地图是图形,其中节点对应于地点,并且弧对应于路径。
许多技术使用地图的概率表示,以处理不确定性。

地图表示有三种主要方法,即自由空间地图,对象地图和复合地图。 这些采用网格的概念,但允许网格的分辨率变化,以便在需要更高精度的地方变得更精细,而在地图均匀的地方变得更粗糙。

地图学习
地图学习不能与本地化过程分离,并且当本地化中的错误被合并到地图中时会出现困难。 此问题通常称为同时定位和映射(SLAM)。

一个重要的附加问题是确定机器人是否处于已存储或从未访问过的环境的一部分中。 解决该问题的一种方法是使用电信标,近场通信(NFC),WiFi,可见光通信(VLC)以及Li-Fi和蓝牙。

路径规划
路径规划是一个重要问题,因为它允许机器人从A点到达B点。路径规划算法通过计算复杂性来衡量。 实时运动规划的可行性取决于地图(或平面图)的准确性,机器人定位和障碍物的数量。 拓扑上,路径规划的问题与在图中的两个节点之间找到路径的最短路径问题有关。

机器人导航
户外机器人可以以类似于汽车导航系统的方式使用GPS。

替代系统可以与平面图和信标一起使用,而不是用于室内机器人的地图,结合本地化无线硬件。 电子信标可以帮助廉价的机器人导航系统。

地图提交
在内部,机器人不像人们那样表示数据,因此它们不以图像格式存储地图。 地图表示分为几何和拓扑:

几何表示表示在确定坐标处的二维空间中的对象。
拓扑表示仅表示对象之间的互连。

从历史上看,也使用了不同的细分:

以世界为中心的地图表示全局坐标空间中的对象。
机器人地图表示与机器人一样的对象。