Endüstri Haberleri
0102030405
Bir robot bilinmeyen bir ortamda nasıl yer tespit edebilir, haritalandırabilir ve hareket edebilir?
2023-12-08
1. Önsöz Bilgisayar teknolojisinin hızla gelişmesi, robot araştırmalarının derinleşmesi ve insanların robotlara olan talebinin artmasıyla birlikte, akıllı hareket edebilen ve otonom olarak gezinebilen robotlar araştırmaların odağı haline geldi. Bilinen ortamda robotun otonom lokalizasyonu ve bilinen robot pozisyonunun haritasını oluşturmak için bazı pratik çözümler bulunmaktadır. Ancak birçok ortamda robot, konumlandırma için küresel konumlandırma sistemini kullanamaz ve robotun çalışma ortamının haritasını önceden elde etmek zordur. Şu anda, robotun belirsiz konum koşulu altında tamamen bilinmeyen bir ortamda bir harita oluşturması ve haritayı otonom konumlandırma ve navigasyon için kullanması gerekiyor. Slam (senkron konumlandırma ve harita oluşturma) teknolojisi, gerçek anlamda otonom mobil robotu gerçekleştirmek için temel ve anahtar teknoloji olarak kabul edilmektedir.
Robot bilinmeyen bir ortamda bilinmeyen bir konumdan hareket etmeye başlar. Hareket etme sürecinde konum tahminine ve sensör verilerine göre kendini konumlandırır ve yavaş yavaş geliştirerek eksiksiz bir harita oluşturur. Bu bir slam sürecidir. Slam'de robot, bilinmeyen ortamdaki özellik işaretini tanımlamak için kendi sensörünü kullanır ve ardından robot ile özellik işareti arasındaki göreceli konuma ve kilometre sayacı okumasına göre robotun küresel koordinatlarını ve özellik işaretini tahmin eder. Bu çevrimiçi konumlandırma ve harita oluşturma işleminin, robot ile özellik işareti arasındaki ayrıntılı bilgiyi sürdürmesi gerekir. Son yıllarda çarpma araştırmaları büyük ilerleme kaydetti ve robot, AR, VR, İHA, otopilot vb. gibi çeşitli ortamlara uygulandı.2. Slam'in temel konuları 2.1 Haritanın gösterimi Şu anda, yaygın harita gösterim yöntemleri kabaca üç kategoriye ayrılabilir: ızgara gösterimi, geometrik bilgi gösterimi ve topoloji gösterimi. Her yöntemin kendine göre avantaj ve dezavantajları bulunmaktadır. (1) Geometrik bilgi haritası Geometrik bilgi haritası temsili, robotun çevreye ilişkin algı bilgilerini toplaması, çizgi parçaları veya eğriler gibi daha soyut geometrik özellikler çıkarması ve bu geometrik bilgileri çevreyi tanımlamak için kullanması anlamına gelir. Avantajı: Konum tahmini ve hedef tanıma için daha kompakt ve kullanışlıdır; Geometrik yöntem, yerel alanda yüksek doğruluk ve az miktarda hesaplama elde etmek için Kalman filtresini kullanır; Dezavantajları: Geometrik bilginin çıkarılması, algısal bilginin ek olarak işlenmesini gerektirir ve sonuçların elde edilmesi için belirli miktarda algısal veri gereklidir; Geniş alan ortamında doğru koordinat bilgisini muhafaza etmek zordur; (2) Izgara haritası Izgara haritası, tüm çevreyi aynı boyuttaki birkaç ızgaraya bölmek ve her ızgara için engel olup olmadığını belirtmektir. Avantajı: Oluşturulması ve bakımı kolaydır ve tüm çevrenin her türlü bilgisini korumaya çalışır; Harita yardımıyla kendini konumlandırma ve yol planlama rahatlıkla yapılabilir; Dezavantajları: Grid sayısı arttığında (büyük ölçekli ortamlarda veya çevre detaylı olarak bölündüğünde) haritanın bakımı zorlaşacaktır. Aynı zamanda konumlandırma işleminde geniş bir arama alanı bulunmaktadır. İyi bir basitleştirilmiş algoritma yoksa gerçek zamanlı uygulamayı gerçekleştirmek zordur. (3) Topolojik harita Topolojik haritalar, özellikle çevre büyük ve basit olduğunda oldukça soyuttur. Bu yöntemde ortam, topoloji anlamında bir grafik olarak temsil edilir ve grafikteki düğümler, ortamdaki karakteristik bir duruma ve konuma karşılık gelir. Düğümler arasında doğrudan bağlantı yolu varsa, şekildeki düğümleri yay bağlayana eşdeğerdir. Avantaj: Daha ileri yol ve görev planlamasına yardımcı olur; Depolama ve arama alanı nispeten küçüktür ve bilgi işlem verimliliği yüksektir; Pek çok olgun ve etkili arama ve muhakeme algoritması kullanılabilir; Dezavantajları: Kullanırken topoloji düğümlerinin tanımlanması ve eşleştirilmesi esas alınmalıdır. Örneğin ortamda birbirine çok benzeyen iki yer olduğunda topoloji haritası yöntemiyle bunların aynı nokta olup olmadığını tespit etmek zor olacaktır;2.2 belirsiz bilgilerin açıklaması Ortamın tamamen bilinmediği durumlarda robotun harita oluşturup yürümek istemesi durumunda kilometre sayacı, sonar, lazer uzaklık ölçer, görüş vb. sensörlerin yardımıyla bilgi alması gerekir. Sensörün sınırlamalarından dolayı algılama bilgisinde değişen derecelerde belirsizlik vardır. Örneğin, lazer telemetrenin belirsizliği esas olarak mesafenin ölçüm hatasından ve reflektörün dönüşü ve lazer saçılımından kaynaklanan ölçüm açısı hatasından kaynaklanmaktadır. Yukarıdaki şekilde de görüldüğü gibi algılanan bilginin belirsizliği, kaçınılmaz olarak yapılı çevre modelinin tamamen doğru olmasının imkansızlaşmasına yol açacaktır. Benzer şekilde modele ve algıya dayalı kararlar alırken de belirsizlik vardır, yani belirsizlik geçişlidir. Belirsizliği ölçmeye yönelik yöntemler temel olarak olasılık ölçümü, güven ölçümü, olasılık ölçümü, bulanık ölçüm ve kanıt teorisini içerir. Şu anda AMR harita yapımında olasılık ölçümü ve bulanık ölçüm yaygın olarak kullanılmaktadır. Olasılık ölçümünün iki ana biçimi vardır: (1) Belirsiz bilgi, ortalama, varyans ve kovaryans gibi olasılık özellikleriyle tanımlanır. Bu ölçüm yönteminin avantajı, ortalama gibi olasılık özelliklerinin açık bir geometrik öneme sahip olmasıdır, ancak dezavantajı, olasılık özelliklerinin ayrık hesaplama formülünün belirlenmemiş olmasıdır; (2) Olasılık modeli, belirsiz bilgileri tanımlamak için esas olarak Bayes kuralını ve Markov hipotezini kullanarak kullanılır. Bu ölçüm yönteminin avantajı robotun konum, tutum ve çevre bilgilerinin rastgele olasılık modeliyle tanımlanması ve sağlamlığının çok iyi olmasıdır. Dezavantajı ise olasılık modelinin hesaplama miktarının çok büyük olması ve modelin önsel olasılığının önceden bilinmesinin gerekmesidir, bu da pratik uygulamayı zorlaştırmaktadır.2.3 konum ve çevresel özelliklerin çıkarılması Mobil robotun kendi kendini yerelleştirmesi çevresel modellemeyle yakından ilgilidir. Ortam modelinin doğruluğu konumlandırma doğruluğuna bağlıdır ve konumlandırmanın uygulanması çevre modelinden ayrılamaz. Bilinmeyen ortamda, robotun hiçbir referansı yoktur ve tıpkı yabancı bir ortamda el yordamıyla el yordamıyla ilerleyen kör bir adam gibi, harici bilgi edinmek için yalnızca kendi hatalı sensörlerine güvenebilir. Bu durumda konumlandırma zordur. Hem harita konumlandırma hem de konumlandırma ile harita oluşturmanın çözümü kolaydır, ancak harita olmadan konumlandırma ve konumlandırma olmadan harita oluşturma "tavuk yumurtası" problemi gibidir. Mevcut araştırmalarda bu tür sorunların çözümleri iki kategoriye ayrılabilir: (1) Kendi hareketlerini tahmin etmek için dahili sensörlere güvenirken, ortamı algılamak için harici sensörler (lazer uzaklık ölçer, görüş vb.) kullanılır. , elde edilen bilgileri analiz edin, çevresel özellikleri çıkarın ve kaydedin. Bir sonraki adımda çevresel özellikler karşılaştırılarak kendi konumları düzeltilir. Ancak bu yöntem çevresel özelliklerin elde edilebilmesine bağlıdır. (2) Kendisi tarafından taşınan çeşitli dahili sensörler (kilometre sayacı, pusula, ivmeölçer vb. dahil) kullanılarak, çeşitli sensör bilgilerinin birleştirilmesi yoluyla konumlandırma hatası azaltılır. Kullanılan füzyon algoritmalarının çoğu Kalman filtresine dayanmaktadır. Bu yöntemler harici bilgilere başvurmadığından, uzun süreli dolaşımdan sonra hata birikimi büyük olacaktır. Çevresel özellik çıkarma yöntemleri şunları içerir: 1) . Hough dönüşümü, gri görüntüye dayalı olarak çizgileri ve diğer eğrileri tespit etmek için kullanılan bir yöntemdir. Bu yöntem, önceden hazırlanmış, aranabilen belirli eğrilerden oluşan bir küme gerektirir ve görüntülenen gri görüntüdeki bir eğri kümesine göre eğri parametreleri üretir. 2). kümeleme analizi sınıflandırılmamış örnekler için etkili bir veri tespit aracıdır. Aynı zamanda hedefi, hedeflenen nesneleri benzerlik veya mesafeye göre doğal kategorilere veya küme sınıflarına bölmektir. Çıkarılan nesnenin kategorisi bilinmediğinde kümeleme teknolojisi houghtransform'a göre daha etkili bir teknolojidir. Küme sınıfları parçalı ve ayrık olmak yerine "uyum" üzerine odaklanmalıdır. Çevresel özelliklerin çıkarılması bazen zordur. Örneğin çevresel özelliklerin yeterince belirgin olmadığı veya sensör bilgilerinin az olduğu durumlarda tek seferlik algı bilgilerinden çevresel özelliklerin elde edilmesi zordur.2.4 Veri İlişkilendirmesi Veri ilişkilendirme, ortamdaki aynı nesneye karşılık gelip gelmediklerini belirlemek için iki özellik işaretini eşleştirmektir. Slam'de veri ilişkilendirmenin temel olarak üç görevi tamamlaması gerekir: (1) Haritalar arasında eşleştirme; (2) Özellik işaretlerinin eşleştirilmesi; (3) Yeni özellik işaretlerinin tespiti; Her ne kadar hedef izleme ve sensör füzyonu alanlarında veri ilişkilendirme iyi bir şekilde çözülmüş olsa da, bu yöntemler büyük miktarda hesaplama gerektirir ve slam'in gerçek zamanlı gereksinimlerini karşılayamaz. M işaretleri ve n işaretli haritalar arasındaki veri ilişkisinin karmaşıklığı, M ile üsteldir. Gözlemlenen her işaret I'in olası bir eşleşmeye sahip olduğunu varsayarsak, M işaretleri için üstel uzayda = doğru eşleşmeyi aramak gerekir. Veri ilişkilendirmenin arama alanı, ortamın karmaşıklığı ve robotun konumlandırma hatasıyla ilgilidir. Ortamın karmaşıklığının artması m'yi artıracak, hatanın artması ise Ni'yi artıracaktır.2,5 kümülatif hata Slam'deki hatalar temel olarak üç açıdan kaynaklanır: (1) Gözlem hatası; (2) Kilometre sayacı hatası; (3) Yanlış veri ilişkilendirmesinden kaynaklanan hatalar; Robot bilinen haritanın ortamında konumlandığında, robot bilinen konumdaki özellik işaretini gözlemleyerek kilometre sayacı hatasını telafi edebilir. Her gözlem, robotun konum hatasının, gözlem hatası ve özellik işaretinin konum hatasının toplamına eşit olmasını sağlar. Ancak çarpmada robotun konumu ve özellik işaretinin ortamdaki konumu bilinmediğinden gözlem bilgileri kilometre sayacının hatasını etkili bir şekilde düzeltemez ve robotun konum hatası robotun hareket mesafesi arttıkça artar. robot. Robotun konum hatasının artması, yanlış veri ilişkilendirmesine yol açacak ve bu da özellik işaretinin konum hatasını artıracaktır; özellik işaretindeki hata ise robotun konum hatasını artıracaktır. Dolayısıyla robotun konum hatası, özellik işaretinin konum hatasıyla yakından ilişkilidir. Aralarındaki etkileşim, robotun konum tahmini ve özellik işaretinin kümülatif hata üretmesine neden olur ve bu da haritanın tutarlılığını sağlamayı zorlaştırır. 3. Slam'in uygulama yöntemi Şu anda, slam yöntemleri kabaca iki kategoriye ayrılabilir: (1) Olasılık modeline dayalı yöntemler: Kalman filtresine, sıkıştırma filtresine, FastSLAM'e vb. dayalı tam slam (2) Olasılıksal olmayan model yöntemleri: sm -slam, tarama eşleştirme, veri ilişkilendirme, bulanık mantığa dayalı vb.Kalman filtresini temel alan 3.1 uygulama yöntemi İstatistiksel açıdan bakıldığında slam bir filtreleme problemidir, yani sistemin başlangıç durumuna ve gözlem bilgilerine ve kontrol bilgilerine (kilometre sayacı okuması) göre 0'dan t'ye kadar sistemin mevcut durumunu tahmin etmektir. Slam'da sistemin durumu, robot pozu R ve harita bilgisinden (m) oluşur (her özellik işaretinin konum bilgisi dahil). Sistemin hareket modeli ve gözlem modelinin Gauss gürültülü doğrusal modeller olduğu ve sistemin durumunun Gauss dağılımına uyduğu varsayılırsa, Kalman filtresi ile slam gerçekleştirilebilir. SLAM Kalman filtresine dayalı olarak iki adımdan oluşur: sistem durumu tahmini ve güncellemesi. Aynı zamanda yeni özellik işaretlerinin eklenmesi, özellik işaretlerinin silinmesi gibi harita bilgilerini de yönetmesi gerekir. Kalman filtresi sistemin doğrusal bir sistem olduğunu varsayar ancak pratikte robotun hareket modeli ve gözlem modeli doğrusal değildir. Bu nedenle genellikle genişletilmiş Kalman filtresi kullanılır. Genişletilmiş Kalman filtresi yaklaşık olarak birinci dereceden Taylor genişlemesi yoluyla doğrusal olmayan modeli temsil eder. Doğrusal olmayan modellere uygun bir başka Kalman filtresi de UKF'dir (kokusuz Kalman filtresi). UKF, posteriori olasılık dağılımına yaklaşmak için koşullu Gauss dağılımını kullanır. EKF ile karşılaştırıldığında UKF daha yüksek doğrusallaştırma doğruluğuna sahiptir ve Jacobian matrisini hesaplamaya ihtiyaç duymaz. Kalman filtresi slam'i gerçekleştirmenin temel yöntemi haline geldi. Kovaryans matrisi, robot konumu ve haritasına ilişkin belirsiz bilgileri içerir. Robot ortamdaki karakteristik işaretleri sürekli gözlemlediğinde kovaryans matrisinin herhangi bir alt matrisinin determinantı monoton bir şekilde azalır. Teorik olarak gözlem sayısı sonsuza doğru gittiğinde her özellik işaretinin kovaryansı yalnızca robotun başlangıç pozisyonunun kovaryansıyla ilişkilidir. Kalman filtresinin zaman karmaşıklığı O ()'dur. Robot her seferinde yalnızca birkaç özellik işaretini gözlemleyebildiğinden, SLAM Tabanlı Kalman filtresinin zaman karmaşıklığı O () olarak optimize edilebilir ve N, haritadaki özellik işaretlerinin sayısını temsil eder.3.2 yerel alt harita yöntemi Yerel alt harita yöntemi, çarpmayı uzay perspektifinden bazı daha küçük alt problemlere ayrıştırır. Alt harita yönteminde aşağıdaki sorunlar dikkate alınmalıdır: (1) Alt haritaların nasıl bölüneceği; (2) Alt haritalar arasındaki ilişkinin nasıl temsil edileceği; (3) Alt haritaya ait bilgilerin küresel haritaya nasıl aktarılacağı ve küresel haritanın tutarlılığının garanti edilip edilemeyeceği; En basit yerel alt harita yöntemi, küresel haritayı, alt haritalar arasındaki ilişkiyi dikkate almadan, sabit sayıda özellik işaretçisi içeren bağımsız alt haritalara bölmek ve her bir alt haritaya sırasıyla slam uygulamaktır. Bu yöntemin zaman karmaşıklığı O(1)'dir. Ancak farklı alt haritalar arasındaki korelasyonu temsil eden yararlı bilgilerin kaybı nedeniyle bu yöntem haritanın küresel tutarlılığını sağlayamaz. Bu bağlamda Leonard ve ark. Önerilen DSM (ayrışmış stokastik haritalama) yöntemi. DSM'deki her alt harita kendi robot konumu tahminini kaydeder. Robot bir alt harita a'dan başka bir alt harita B'ye girdiğinde, alt harita a'daki bilgileri alt harita B'ye iletmek için EKF tabanlı yöntem kullanılır; B.Williams ve ark. CLSF'ye (kısıtlı yerel alt harita filtresi) dayalı bir çarpma yöntemi önerildi. CLSF, haritada bilinen küresel koordinatlara sahip bir alt harita oluşturur. Robotun ilerlemesi sırasında, robottaki özellik işaretlerinin konumu ve yerel alt haritanın güncellenmesi için yalnızca gözlem bilgileri kullanılır ve yerel alt harita bilgileri, belirli bir zaman aralığında küresel haritaya iletilir. Deneyler her iki algoritmanın da iyi bir performansa sahip olduğunu gösterse de haritaların tutarlılığını koruyabilecekleri teorik olarak kanıtlanamamıştır. J. Guivant ve diğerleri. Herhangi bir bilgi kaybı olmadan bir slam optimizasyon algoritması cekf (sıkıştırılmış genişletilmiş Kalman filtresi) önerdi. Cekf, gözlemlenen özellik işaretlerini A ve B bölümlerine ayırır. A, aktif alt harita olarak adlandırılan, robotun mevcut konumuna bitişik alanı temsil eder. Robot aktif alt harita a'da hareket ettiğinde, robotun konumu ve alt harita a, gözlem bilgileri kullanılarak gerçek zamanlı olarak güncellenir ve gözlem bilgilerinin alt harita B üzerindeki etkisi yinelemeli yöntemle kaydedilir; Robot, aktif alt harita a'yı terk ettiğinde, gözlem bilgisi alt harita B'ye kayıpsız olarak iletilir, böylece alt harita B'yi bir kerede günceller ve aynı anda yeni bir aktif alt harita oluşturur. Bu yöntemin hesaplama süresi iki bölümden oluşur: zaman karmaşıklığı O (), etkinlik alt haritası a'daki özellik işaretlerinin sayısı olan etkinlik alt haritasındaki çarpma; Alt harita B'yi güncellemenin zaman karmaşıklığı, B haritasındaki özellik işaretlerinin sayısı olan O ()'dur. Alt harita birleştirmenin zaman aralığı büyük olduğunda, cekf, slam hesaplamasının miktarını etkili bir şekilde azaltabilir.3.3 ilintisizleştirme yöntemi Slam'in karmaşıklığını azaltmanın bir başka yolu da, korelasyon ilişkisini temsil eden kovaryans matrisindeki daha küçük değerlere sahip bazı elemanları göz ardı etmek ve onu seyrek bir matrise dönüştürmektir. Ancak bilgi kaybından dolayı haritanın tutarlılığı da kaybolacaktır. Bununla birlikte, eğer kovaryans matrisinin gösterimi, elemanlarının çoğu sıfıra yakın veya sıfıra eşit olacak şekilde değiştirilebilirse, güvenle göz ardı edilebilir. SLAM Genişletilmiş Bilgi Filtresine Dayalı (EIF) bu düşünceye dayanmaktadır. EIF, EKF'nin bilgiye dayalı ifadesidir. Aralarındaki fark, bilgiyi farklı biçimlerde temsil etmeleridir. EIF, bilgi matrisi olarak adlandırılan slam'deki belirsiz bilgiyi temsil etmek için kovaryans matrisinin ters matrisini kullanır. Birbiriyle ilgisiz iki bilgi matrisinin füzyonu, basitçe iki matrisin eklenmesiyle ifade edilebilir. Bilgi matrisindeki çapraz olmayan her öğe, robot ile özellik işareti arasındaki veya özellik işareti ile özellik işareti arasındaki kısıtlama ilişkisini temsil eder. Bu kısıtlama ilişkileri, sistem durumunun sinyal ilişkisi aracılığıyla yerel olarak güncellenebilir. Bu yerel güncelleme, bilgi matrisini seyrek matrise yaklaşık hale getirir ve inceltilmesinden kaynaklanan hata çok küçüktür. Buna göre S. Thrun ve ark. Seyrek bilgi filtresi seif'e (seyrek genişletilmiş bilgi filtresi) dayalı bir slam yöntemi önerdi ve seyrek bilgi matrisi kullanan slam'in zaman karmaşıklığının O(1) olduğunu kanıtladı. Her ne kadar EIF, slam'in zaman karmaşıklığını etkili bir şekilde azaltabilse de, harita bilgilerinin temsili ve yönetiminde hala bazı problemler bulunmaktadır. İlk olarak, sistem durumunun ortalama değeri yalnızca sabit zamanda yaklaşık olarak hesaplanabilir; İkinci olarak EIF'ye dayalı slam yönteminde özellik işaretlerinin eklenmesi ve silinmesi sakıncalıdır.
Robot bilinmeyen bir ortamda bilinmeyen bir konumdan hareket etmeye başlar. Hareket etme sürecinde konum tahminine ve sensör verilerine göre kendini konumlandırır ve yavaş yavaş geliştirerek eksiksiz bir harita oluşturur. Bu bir slam sürecidir. Slam'de robot, bilinmeyen ortamdaki özellik işaretini tanımlamak için kendi sensörünü kullanır ve ardından robot ile özellik işareti arasındaki göreceli konuma ve kilometre sayacı okumasına göre robotun küresel koordinatlarını ve özellik işaretini tahmin eder. Bu çevrimiçi konumlandırma ve harita oluşturma işleminin, robot ile özellik işareti arasındaki ayrıntılı bilgiyi sürdürmesi gerekir. Son yıllarda çarpma araştırmaları büyük ilerleme kaydetti ve robot, AR, VR, İHA, otopilot vb. gibi çeşitli ortamlara uygulandı.2. Slam'in temel konuları 2.1 Haritanın gösterimi Şu anda, yaygın harita gösterim yöntemleri kabaca üç kategoriye ayrılabilir: ızgara gösterimi, geometrik bilgi gösterimi ve topoloji gösterimi. Her yöntemin kendine göre avantaj ve dezavantajları bulunmaktadır. (1) Geometrik bilgi haritası Geometrik bilgi haritası temsili, robotun çevreye ilişkin algı bilgilerini toplaması, çizgi parçaları veya eğriler gibi daha soyut geometrik özellikler çıkarması ve bu geometrik bilgileri çevreyi tanımlamak için kullanması anlamına gelir. Avantajı: Konum tahmini ve hedef tanıma için daha kompakt ve kullanışlıdır; Geometrik yöntem, yerel alanda yüksek doğruluk ve az miktarda hesaplama elde etmek için Kalman filtresini kullanır; Dezavantajları: Geometrik bilginin çıkarılması, algısal bilginin ek olarak işlenmesini gerektirir ve sonuçların elde edilmesi için belirli miktarda algısal veri gereklidir; Geniş alan ortamında doğru koordinat bilgisini muhafaza etmek zordur; (2) Izgara haritası Izgara haritası, tüm çevreyi aynı boyuttaki birkaç ızgaraya bölmek ve her ızgara için engel olup olmadığını belirtmektir. Avantajı: Oluşturulması ve bakımı kolaydır ve tüm çevrenin her türlü bilgisini korumaya çalışır; Harita yardımıyla kendini konumlandırma ve yol planlama rahatlıkla yapılabilir; Dezavantajları: Grid sayısı arttığında (büyük ölçekli ortamlarda veya çevre detaylı olarak bölündüğünde) haritanın bakımı zorlaşacaktır. Aynı zamanda konumlandırma işleminde geniş bir arama alanı bulunmaktadır. İyi bir basitleştirilmiş algoritma yoksa gerçek zamanlı uygulamayı gerçekleştirmek zordur. (3) Topolojik harita Topolojik haritalar, özellikle çevre büyük ve basit olduğunda oldukça soyuttur. Bu yöntemde ortam, topoloji anlamında bir grafik olarak temsil edilir ve grafikteki düğümler, ortamdaki karakteristik bir duruma ve konuma karşılık gelir. Düğümler arasında doğrudan bağlantı yolu varsa, şekildeki düğümleri yay bağlayana eşdeğerdir. Avantaj: Daha ileri yol ve görev planlamasına yardımcı olur; Depolama ve arama alanı nispeten küçüktür ve bilgi işlem verimliliği yüksektir; Pek çok olgun ve etkili arama ve muhakeme algoritması kullanılabilir; Dezavantajları: Kullanırken topoloji düğümlerinin tanımlanması ve eşleştirilmesi esas alınmalıdır. Örneğin ortamda birbirine çok benzeyen iki yer olduğunda topoloji haritası yöntemiyle bunların aynı nokta olup olmadığını tespit etmek zor olacaktır;2.2 belirsiz bilgilerin açıklaması Ortamın tamamen bilinmediği durumlarda robotun harita oluşturup yürümek istemesi durumunda kilometre sayacı, sonar, lazer uzaklık ölçer, görüş vb. sensörlerin yardımıyla bilgi alması gerekir. Sensörün sınırlamalarından dolayı algılama bilgisinde değişen derecelerde belirsizlik vardır. Örneğin, lazer telemetrenin belirsizliği esas olarak mesafenin ölçüm hatasından ve reflektörün dönüşü ve lazer saçılımından kaynaklanan ölçüm açısı hatasından kaynaklanmaktadır. Yukarıdaki şekilde de görüldüğü gibi algılanan bilginin belirsizliği, kaçınılmaz olarak yapılı çevre modelinin tamamen doğru olmasının imkansızlaşmasına yol açacaktır. Benzer şekilde modele ve algıya dayalı kararlar alırken de belirsizlik vardır, yani belirsizlik geçişlidir. Belirsizliği ölçmeye yönelik yöntemler temel olarak olasılık ölçümü, güven ölçümü, olasılık ölçümü, bulanık ölçüm ve kanıt teorisini içerir. Şu anda AMR harita yapımında olasılık ölçümü ve bulanık ölçüm yaygın olarak kullanılmaktadır. Olasılık ölçümünün iki ana biçimi vardır: (1) Belirsiz bilgi, ortalama, varyans ve kovaryans gibi olasılık özellikleriyle tanımlanır. Bu ölçüm yönteminin avantajı, ortalama gibi olasılık özelliklerinin açık bir geometrik öneme sahip olmasıdır, ancak dezavantajı, olasılık özelliklerinin ayrık hesaplama formülünün belirlenmemiş olmasıdır; (2) Olasılık modeli, belirsiz bilgileri tanımlamak için esas olarak Bayes kuralını ve Markov hipotezini kullanarak kullanılır. Bu ölçüm yönteminin avantajı robotun konum, tutum ve çevre bilgilerinin rastgele olasılık modeliyle tanımlanması ve sağlamlığının çok iyi olmasıdır. Dezavantajı ise olasılık modelinin hesaplama miktarının çok büyük olması ve modelin önsel olasılığının önceden bilinmesinin gerekmesidir, bu da pratik uygulamayı zorlaştırmaktadır.2.3 konum ve çevresel özelliklerin çıkarılması Mobil robotun kendi kendini yerelleştirmesi çevresel modellemeyle yakından ilgilidir. Ortam modelinin doğruluğu konumlandırma doğruluğuna bağlıdır ve konumlandırmanın uygulanması çevre modelinden ayrılamaz. Bilinmeyen ortamda, robotun hiçbir referansı yoktur ve tıpkı yabancı bir ortamda el yordamıyla el yordamıyla ilerleyen kör bir adam gibi, harici bilgi edinmek için yalnızca kendi hatalı sensörlerine güvenebilir. Bu durumda konumlandırma zordur. Hem harita konumlandırma hem de konumlandırma ile harita oluşturmanın çözümü kolaydır, ancak harita olmadan konumlandırma ve konumlandırma olmadan harita oluşturma "tavuk yumurtası" problemi gibidir. Mevcut araştırmalarda bu tür sorunların çözümleri iki kategoriye ayrılabilir: (1) Kendi hareketlerini tahmin etmek için dahili sensörlere güvenirken, ortamı algılamak için harici sensörler (lazer uzaklık ölçer, görüş vb.) kullanılır. , elde edilen bilgileri analiz edin, çevresel özellikleri çıkarın ve kaydedin. Bir sonraki adımda çevresel özellikler karşılaştırılarak kendi konumları düzeltilir. Ancak bu yöntem çevresel özelliklerin elde edilebilmesine bağlıdır. (2) Kendisi tarafından taşınan çeşitli dahili sensörler (kilometre sayacı, pusula, ivmeölçer vb. dahil) kullanılarak, çeşitli sensör bilgilerinin birleştirilmesi yoluyla konumlandırma hatası azaltılır. Kullanılan füzyon algoritmalarının çoğu Kalman filtresine dayanmaktadır. Bu yöntemler harici bilgilere başvurmadığından, uzun süreli dolaşımdan sonra hata birikimi büyük olacaktır. Çevresel özellik çıkarma yöntemleri şunları içerir: 1) . Hough dönüşümü, gri görüntüye dayalı olarak çizgileri ve diğer eğrileri tespit etmek için kullanılan bir yöntemdir. Bu yöntem, önceden hazırlanmış, aranabilen belirli eğrilerden oluşan bir küme gerektirir ve görüntülenen gri görüntüdeki bir eğri kümesine göre eğri parametreleri üretir. 2). kümeleme analizi sınıflandırılmamış örnekler için etkili bir veri tespit aracıdır. Aynı zamanda hedefi, hedeflenen nesneleri benzerlik veya mesafeye göre doğal kategorilere veya küme sınıflarına bölmektir. Çıkarılan nesnenin kategorisi bilinmediğinde kümeleme teknolojisi houghtransform'a göre daha etkili bir teknolojidir. Küme sınıfları parçalı ve ayrık olmak yerine "uyum" üzerine odaklanmalıdır. Çevresel özelliklerin çıkarılması bazen zordur. Örneğin çevresel özelliklerin yeterince belirgin olmadığı veya sensör bilgilerinin az olduğu durumlarda tek seferlik algı bilgilerinden çevresel özelliklerin elde edilmesi zordur.2.4 Veri İlişkilendirmesi Veri ilişkilendirme, ortamdaki aynı nesneye karşılık gelip gelmediklerini belirlemek için iki özellik işaretini eşleştirmektir. Slam'de veri ilişkilendirmenin temel olarak üç görevi tamamlaması gerekir: (1) Haritalar arasında eşleştirme; (2) Özellik işaretlerinin eşleştirilmesi; (3) Yeni özellik işaretlerinin tespiti; Her ne kadar hedef izleme ve sensör füzyonu alanlarında veri ilişkilendirme iyi bir şekilde çözülmüş olsa da, bu yöntemler büyük miktarda hesaplama gerektirir ve slam'in gerçek zamanlı gereksinimlerini karşılayamaz. M işaretleri ve n işaretli haritalar arasındaki veri ilişkisinin karmaşıklığı, M ile üsteldir. Gözlemlenen her işaret I'in olası bir eşleşmeye sahip olduğunu varsayarsak, M işaretleri için üstel uzayda = doğru eşleşmeyi aramak gerekir. Veri ilişkilendirmenin arama alanı, ortamın karmaşıklığı ve robotun konumlandırma hatasıyla ilgilidir. Ortamın karmaşıklığının artması m'yi artıracak, hatanın artması ise Ni'yi artıracaktır.2,5 kümülatif hata Slam'deki hatalar temel olarak üç açıdan kaynaklanır: (1) Gözlem hatası; (2) Kilometre sayacı hatası; (3) Yanlış veri ilişkilendirmesinden kaynaklanan hatalar; Robot bilinen haritanın ortamında konumlandığında, robot bilinen konumdaki özellik işaretini gözlemleyerek kilometre sayacı hatasını telafi edebilir. Her gözlem, robotun konum hatasının, gözlem hatası ve özellik işaretinin konum hatasının toplamına eşit olmasını sağlar. Ancak çarpmada robotun konumu ve özellik işaretinin ortamdaki konumu bilinmediğinden gözlem bilgileri kilometre sayacının hatasını etkili bir şekilde düzeltemez ve robotun konum hatası robotun hareket mesafesi arttıkça artar. robot. Robotun konum hatasının artması, yanlış veri ilişkilendirmesine yol açacak ve bu da özellik işaretinin konum hatasını artıracaktır; özellik işaretindeki hata ise robotun konum hatasını artıracaktır. Dolayısıyla robotun konum hatası, özellik işaretinin konum hatasıyla yakından ilişkilidir. Aralarındaki etkileşim, robotun konum tahmini ve özellik işaretinin kümülatif hata üretmesine neden olur ve bu da haritanın tutarlılığını sağlamayı zorlaştırır. 3. Slam'in uygulama yöntemi Şu anda, slam yöntemleri kabaca iki kategoriye ayrılabilir: (1) Olasılık modeline dayalı yöntemler: Kalman filtresine, sıkıştırma filtresine, FastSLAM'e vb. dayalı tam slam (2) Olasılıksal olmayan model yöntemleri: sm -slam, tarama eşleştirme, veri ilişkilendirme, bulanık mantığa dayalı vb.Kalman filtresini temel alan 3.1 uygulama yöntemi İstatistiksel açıdan bakıldığında slam bir filtreleme problemidir, yani sistemin başlangıç durumuna ve gözlem bilgilerine ve kontrol bilgilerine (kilometre sayacı okuması) göre 0'dan t'ye kadar sistemin mevcut durumunu tahmin etmektir. Slam'da sistemin durumu, robot pozu R ve harita bilgisinden (m) oluşur (her özellik işaretinin konum bilgisi dahil). Sistemin hareket modeli ve gözlem modelinin Gauss gürültülü doğrusal modeller olduğu ve sistemin durumunun Gauss dağılımına uyduğu varsayılırsa, Kalman filtresi ile slam gerçekleştirilebilir. SLAM Kalman filtresine dayalı olarak iki adımdan oluşur: sistem durumu tahmini ve güncellemesi. Aynı zamanda yeni özellik işaretlerinin eklenmesi, özellik işaretlerinin silinmesi gibi harita bilgilerini de yönetmesi gerekir. Kalman filtresi sistemin doğrusal bir sistem olduğunu varsayar ancak pratikte robotun hareket modeli ve gözlem modeli doğrusal değildir. Bu nedenle genellikle genişletilmiş Kalman filtresi kullanılır. Genişletilmiş Kalman filtresi yaklaşık olarak birinci dereceden Taylor genişlemesi yoluyla doğrusal olmayan modeli temsil eder. Doğrusal olmayan modellere uygun bir başka Kalman filtresi de UKF'dir (kokusuz Kalman filtresi). UKF, posteriori olasılık dağılımına yaklaşmak için koşullu Gauss dağılımını kullanır. EKF ile karşılaştırıldığında UKF daha yüksek doğrusallaştırma doğruluğuna sahiptir ve Jacobian matrisini hesaplamaya ihtiyaç duymaz. Kalman filtresi slam'i gerçekleştirmenin temel yöntemi haline geldi. Kovaryans matrisi, robot konumu ve haritasına ilişkin belirsiz bilgileri içerir. Robot ortamdaki karakteristik işaretleri sürekli gözlemlediğinde kovaryans matrisinin herhangi bir alt matrisinin determinantı monoton bir şekilde azalır. Teorik olarak gözlem sayısı sonsuza doğru gittiğinde her özellik işaretinin kovaryansı yalnızca robotun başlangıç pozisyonunun kovaryansıyla ilişkilidir. Kalman filtresinin zaman karmaşıklığı O ()'dur. Robot her seferinde yalnızca birkaç özellik işaretini gözlemleyebildiğinden, SLAM Tabanlı Kalman filtresinin zaman karmaşıklığı O () olarak optimize edilebilir ve N, haritadaki özellik işaretlerinin sayısını temsil eder.3.2 yerel alt harita yöntemi Yerel alt harita yöntemi, çarpmayı uzay perspektifinden bazı daha küçük alt problemlere ayrıştırır. Alt harita yönteminde aşağıdaki sorunlar dikkate alınmalıdır: (1) Alt haritaların nasıl bölüneceği; (2) Alt haritalar arasındaki ilişkinin nasıl temsil edileceği; (3) Alt haritaya ait bilgilerin küresel haritaya nasıl aktarılacağı ve küresel haritanın tutarlılığının garanti edilip edilemeyeceği; En basit yerel alt harita yöntemi, küresel haritayı, alt haritalar arasındaki ilişkiyi dikkate almadan, sabit sayıda özellik işaretçisi içeren bağımsız alt haritalara bölmek ve her bir alt haritaya sırasıyla slam uygulamaktır. Bu yöntemin zaman karmaşıklığı O(1)'dir. Ancak farklı alt haritalar arasındaki korelasyonu temsil eden yararlı bilgilerin kaybı nedeniyle bu yöntem haritanın küresel tutarlılığını sağlayamaz. Bu bağlamda Leonard ve ark. Önerilen DSM (ayrışmış stokastik haritalama) yöntemi. DSM'deki her alt harita kendi robot konumu tahminini kaydeder. Robot bir alt harita a'dan başka bir alt harita B'ye girdiğinde, alt harita a'daki bilgileri alt harita B'ye iletmek için EKF tabanlı yöntem kullanılır; B.Williams ve ark. CLSF'ye (kısıtlı yerel alt harita filtresi) dayalı bir çarpma yöntemi önerildi. CLSF, haritada bilinen küresel koordinatlara sahip bir alt harita oluşturur. Robotun ilerlemesi sırasında, robottaki özellik işaretlerinin konumu ve yerel alt haritanın güncellenmesi için yalnızca gözlem bilgileri kullanılır ve yerel alt harita bilgileri, belirli bir zaman aralığında küresel haritaya iletilir. Deneyler her iki algoritmanın da iyi bir performansa sahip olduğunu gösterse de haritaların tutarlılığını koruyabilecekleri teorik olarak kanıtlanamamıştır. J. Guivant ve diğerleri. Herhangi bir bilgi kaybı olmadan bir slam optimizasyon algoritması cekf (sıkıştırılmış genişletilmiş Kalman filtresi) önerdi. Cekf, gözlemlenen özellik işaretlerini A ve B bölümlerine ayırır. A, aktif alt harita olarak adlandırılan, robotun mevcut konumuna bitişik alanı temsil eder. Robot aktif alt harita a'da hareket ettiğinde, robotun konumu ve alt harita a, gözlem bilgileri kullanılarak gerçek zamanlı olarak güncellenir ve gözlem bilgilerinin alt harita B üzerindeki etkisi yinelemeli yöntemle kaydedilir; Robot, aktif alt harita a'yı terk ettiğinde, gözlem bilgisi alt harita B'ye kayıpsız olarak iletilir, böylece alt harita B'yi bir kerede günceller ve aynı anda yeni bir aktif alt harita oluşturur. Bu yöntemin hesaplama süresi iki bölümden oluşur: zaman karmaşıklığı O (), etkinlik alt haritası a'daki özellik işaretlerinin sayısı olan etkinlik alt haritasındaki çarpma; Alt harita B'yi güncellemenin zaman karmaşıklığı, B haritasındaki özellik işaretlerinin sayısı olan O ()'dur. Alt harita birleştirmenin zaman aralığı büyük olduğunda, cekf, slam hesaplamasının miktarını etkili bir şekilde azaltabilir.3.3 ilintisizleştirme yöntemi Slam'in karmaşıklığını azaltmanın bir başka yolu da, korelasyon ilişkisini temsil eden kovaryans matrisindeki daha küçük değerlere sahip bazı elemanları göz ardı etmek ve onu seyrek bir matrise dönüştürmektir. Ancak bilgi kaybından dolayı haritanın tutarlılığı da kaybolacaktır. Bununla birlikte, eğer kovaryans matrisinin gösterimi, elemanlarının çoğu sıfıra yakın veya sıfıra eşit olacak şekilde değiştirilebilirse, güvenle göz ardı edilebilir. SLAM Genişletilmiş Bilgi Filtresine Dayalı (EIF) bu düşünceye dayanmaktadır. EIF, EKF'nin bilgiye dayalı ifadesidir. Aralarındaki fark, bilgiyi farklı biçimlerde temsil etmeleridir. EIF, bilgi matrisi olarak adlandırılan slam'deki belirsiz bilgiyi temsil etmek için kovaryans matrisinin ters matrisini kullanır. Birbiriyle ilgisiz iki bilgi matrisinin füzyonu, basitçe iki matrisin eklenmesiyle ifade edilebilir. Bilgi matrisindeki çapraz olmayan her öğe, robot ile özellik işareti arasındaki veya özellik işareti ile özellik işareti arasındaki kısıtlama ilişkisini temsil eder. Bu kısıtlama ilişkileri, sistem durumunun sinyal ilişkisi aracılığıyla yerel olarak güncellenebilir. Bu yerel güncelleme, bilgi matrisini seyrek matrise yaklaşık hale getirir ve inceltilmesinden kaynaklanan hata çok küçüktür. Buna göre S. Thrun ve ark. Seyrek bilgi filtresi seif'e (seyrek genişletilmiş bilgi filtresi) dayalı bir slam yöntemi önerdi ve seyrek bilgi matrisi kullanan slam'in zaman karmaşıklığının O(1) olduğunu kanıtladı. Her ne kadar EIF, slam'in zaman karmaşıklığını etkili bir şekilde azaltabilse de, harita bilgilerinin temsili ve yönetiminde hala bazı problemler bulunmaktadır. İlk olarak, sistem durumunun ortalama değeri yalnızca sabit zamanda yaklaşık olarak hesaplanabilir; İkinci olarak EIF'ye dayalı slam yönteminde özellik işaretlerinin eklenmesi ve silinmesi sakıncalıdır.