Wiadomości branżowe
0102030405
W jaki sposób robot może lokalizować, mapować i poruszać się w nieznanym środowisku?
2023-12-08
1. Przedmowa Wraz z szybkim rozwojem technologii komputerowej, pogłębieniem badań nad robotami i wzrostem zapotrzebowania ludzi na roboty, w centrum badań stały się roboty, które potrafią inteligentnie poruszać się i nawigować autonomicznie. Istnieją praktyczne rozwiązania umożliwiające autonomiczną lokalizację robota w znanym środowisku i tworzenie mapy znanej pozycji robota. Jednak w wielu środowiskach robot nie może używać globalnego systemu pozycjonowania do pozycjonowania i trudno jest wcześniej uzyskać mapę środowiska pracy robota. W tym momencie robot musi stworzyć mapę w zupełnie nieznanym środowisku pod warunkiem niepewnej pozycji i wykorzystać ją do autonomicznego pozycjonowania i nawigacji. Technologia Slam (synchroniczne pozycjonowanie i tworzenie map) jest uważana za podstawową i kluczową technologię umożliwiającą realizację prawdziwie autonomicznego robota mobilnego.
Robot zaczyna poruszać się z nieznanej pozycji w nieznanym środowisku. W trakcie przemieszczania się lokalizuje na podstawie oszacowanej pozycji i danych z czujników, po czym stopniowo ulepsza i konstruuje kompletną mapę. To jest proces typu „slam”. W przypadku uderzenia robot wykorzystuje własny czujnik do zidentyfikowania znaku charakterystycznego w nieznanym środowisku, a następnie szacuje globalne współrzędne robota i znaku charakterystycznego na podstawie względnej pozycji pomiędzy robotem a znakiem charakterystycznym oraz odczytu licznika kilometrów. To pozycjonowanie online i tworzenie map wymaga zachowania szczegółowych informacji między robotem a znakiem obiektu. W ostatnich latach badania nad uderzeniem poczyniły ogromne postępy i zostały zastosowane w różnych środowiskach, takich jak roboty, AR, VR, UAV, autopilot i tak dalej.2. Kluczowe zagadnienia slamu 2.1 reprezentacja mapy Obecnie powszechne metody reprezentacji map można z grubsza podzielić na trzy kategorie: reprezentacja siatki, reprezentacja informacji geometrycznej i reprezentacja topologii. Każda metoda ma swoje zalety i wady. (1) Mapa informacji geometrycznych Reprezentacja mapy informacji geometrycznych oznacza, że robot zbiera informacje dotyczące percepcji otoczenia, wyodrębnia bardziej abstrakcyjne cechy geometryczne, takie jak odcinki linii lub krzywe, i wykorzystuje te informacje geometryczne do opisu środowiska. Zaleta: jest bardziej kompaktowy i wygodny do szacowania pozycji i rozpoznawania celu; Metoda geometryczna wykorzystuje filtr Kalmana w celu uzyskania dużej dokładności i niewielkiej ilości obliczeń w obszarze lokalnym; Wady: Wydobywanie informacji geometrycznych wymaga dodatkowego przetwarzania informacji percepcyjnych, a do uzyskania wyników wymagana jest pewna ilość danych percepcyjnych; Trudno jest zachować dokładne informacje o współrzędnych w środowisku rozległym; (2) Mapa siatkowa Mapa siatkowa ma na celu podzielenie całego środowiska na kilka siatek tego samego rozmiaru i wskazanie, czy na każdej siatce znajdują się przeszkody. zaleta: Łatwy w tworzeniu i utrzymaniu oraz stara się zachować wszelkiego rodzaju informacje o całym środowisku; Za pomocą mapy można wygodnie samodzielnie pozycjonować i planować trasę; Wady: Gdy liczba siatek wzrasta (w środowisku o dużej skali lub gdy środowisko jest szczegółowo podzielone), utrzymanie mapy stanie się trudne. Jednocześnie w procesie pozycjonowania istnieje duża przestrzeń poszukiwań. Jeśli nie ma dobrego, uproszczonego algorytmu, trudno jest zrealizować aplikację w czasie rzeczywistym. (3) Mapa topologiczna Mapy topologiczne są wysoce abstrakcyjne, zwłaszcza gdy środowisko jest duże i proste. W tej metodzie środowisko jest reprezentowane jako graf w sensie topologii, a węzły na wykresie odpowiadają charakterystycznemu stanowi i położeniu w środowisku. Jeżeli pomiędzy węzłami istnieje bezpośrednia ścieżka połączenia, odpowiada ona łukowi łączącemu węzły na rysunku. zaleta: Sprzyja dalszemu planowaniu ścieżki i zadań; Przestrzeń przechowywania i wyszukiwania jest stosunkowo niewielka, a wydajność obliczeniowa wysoka; Można zastosować wiele dojrzałych i wydajnych algorytmów wyszukiwania i wnioskowania; Wady: Podczas stosowania należy opierać się na identyfikacji i dopasowywaniu węzłów topologii. Na przykład, gdy w środowisku znajdują się dwa bardzo podobne miejsca, metodzie mapy topologicznej trudno będzie określić, czy są to ten sam punkt;2.2 opis informacji niepewnych Kiedy otoczenie jest zupełnie nieznane, jeśli robot chce zbudować mapę i chodzić, musi uzyskać informacje za pomocą innych czujników, takich jak licznik kilometrów, sonar, dalmierz laserowy, wzrok i tak dalej. Ze względu na ograniczenia samego czujnika, informacje o wykrywaniu charakteryzują się różnym stopniem niepewności. Na przykład niepewność dalmierza laserowego wynika głównie z błędu pomiaru odległości i błędu kąta pomiaru spowodowanego obrotem reflektora i rozproszeniem lasera. Jak pokazano na powyższym rysunku, niepewność postrzeganych informacji nieuchronnie doprowadzi do niemożności, aby skonstruowany model środowiska był całkowicie dokładny. Podobnie przy podejmowaniu decyzji w oparciu o model i percepcję występuje niepewność, to znaczy niepewność jest przechodnia. Metody pomiaru niepewności obejmują głównie pomiar prawdopodobieństwa, pomiar zaufania, pomiar możliwości, pomiar rozmyty i teorię dowodów. Obecnie w konstrukcji map AMR powszechnie stosuje się miary prawdopodobieństwa i miary rozmyte. Istnieją dwie główne formy pomiaru prawdopodobieństwa: (1) Niepewna informacja jest opisana za pomocą cech prawdopodobieństwa, takich jak średnia, wariancja i kowariancja. Zaletą tej metody pomiaru jest to, że cechy prawdopodobieństwa, takie jak średnia, mają wyraźne znaczenie geometryczne, ale wadą jest to, że nie określono dyskretnego wzoru obliczeniowego cech prawdopodobieństwa; (2) Do opisu niepewnych informacji stosuje się model prawdopodobieństwa, głównie wykorzystując regułę Bayesa i hipotezę Markowa. Zaletą tej metody pomiaru jest to, że pozycja, położenie i informacje o środowisku robota są opisywane za pomocą losowego modelu prawdopodobieństwa, a odporność jest bardzo dobra. Wadą jest to, że ilość obliczeń modelu prawdopodobieństwa jest bardzo duża, a wcześniejsze prawdopodobieństwo modelu musi być znane z góry, co utrudnia praktyczne zastosowanie.2.3 Ekstrakcja lokalizacji i cech środowiska Samolokalizacja robota mobilnego jest ściśle powiązana z modelowaniem środowiskowym. Dokładność modelu otoczenia zależy od dokładności pozycjonowania, a realizacja pozycjonowania jest nierozerwalnie związana z modelem otoczenia. W nieznanym środowisku robot nie ma odniesienia i może polegać jedynie na własnych, niedokładnych czujnikach, aby uzyskać informacje zewnętrzne, podobnie jak niewidomy mężczyzna poruszający się po omacku w nieznanym środowisku. W tym przypadku pozycjonowanie jest trudne. Zarówno pozycjonowanie mapy, jak i tworzenie map z pozycjonowaniem są łatwe do rozwiązania, ale pozycjonowanie bez mapy i tworzenie mapy bez pozycjonowania przypomina problem „kurzego jaja”. W istniejących badaniach rozwiązania takich problemów można podzielić na dwie kategorie: (1) O ile w ocenie własnego ruchu wykorzystuje się czujniki wewnętrzne, o tyle czujniki zewnętrzne (takie jak dalmierz laserowy, wzrok itp.) służą do postrzegania otoczenia analizować uzyskane informacje, wyodrębniać cechy środowiska i je zapisywać. W kolejnym kroku następuje korekta własnego stanowiska poprzez porównanie cech środowiska. Ale ta metoda zależy od możliwości uzyskania cech środowiskowych. (2) Dzięki zastosowaniu różnych czujników wewnętrznych (w tym licznika kilometrów, kompasu, akcelerometru itp.), które znajdują się osobno, błąd pozycjonowania jest redukowany poprzez połączenie różnych informacji z czujników. Większość stosowanych algorytmów fuzji opiera się na filtrze Kalmana. Ponieważ metody te nie odnoszą się do informacji zewnętrznych, po długotrwałym roamingu kumulacja błędów będzie duża. Metody ekstrakcji cech środowiska obejmują: 1) . Transformacja Hougha jest rodzajem metody wykrywania linii i innych krzywych na podstawie szarego obrazu. Metoda ta wymaga grupy wstępnie przygotowanych określonych krzywych, które można przeszukiwać i generuje parametry krzywych na podstawie grupy krzywych na wyświetlanym szarym obrazie. 2) . analiza skupień to narzędzie do wykrywania danych, które jest skuteczne w przypadku niesklasyfikowanych próbek. Jednocześnie jego celem jest podzielenie docelowych obiektów na kategorie naturalne lub klasy skupień na podstawie podobieństwa lub odległości. Gdy kategoria wyodrębnionego obiektu jest nieznana, technologia klastrowania jest bardziej efektywną technologią w porównaniu z metodą Houghtransform. Klasy klastrów powinny skupiać się na „spójności”, a nie na fragmentaryczności i rozłączności. Cechy środowiskowe są czasami trudne do wyodrębnienia. Na przykład, gdy cechy środowiska nie są wystarczająco oczywiste lub istnieje niewiele informacji z czujników, trudno jest uzyskać cechy środowiska na podstawie jednorazowych informacji o percepcji.2.4 Powiązanie danych Powiązanie danych polega na dopasowaniu dwóch znaków cech w celu ustalenia, czy odpowiadają one temu samemu obiektowi w środowisku. Powiązanie danych w trybie slam wymaga głównie wykonania trzech zadań: (1) Dopasowanie między mapami; (2) Dopasowanie znaków charakterystycznych; (3) Wykrywanie nowych znaków charakterystycznych; Chociaż powiązanie danych zostało dobrze rozwiązane w dziedzinie śledzenia celów i łączenia czujników, metody te wymagają dużej ilości obliczeń i nie są w stanie spełnić wymagań dotyczących uderzenia w czasie rzeczywistym. Złożoność powiązania danych pomiędzy znakami M i mapami z n znakami jest wykładnicza przy M. zakładając, że każdy zaobserwowany znak I ma możliwe dopasowanie, w przypadku M znaków konieczne jest poszukiwanie prawidłowego dopasowania w przestrzeni wykładniczej =. Przestrzeń poszukiwań skojarzeń danych jest związana ze złożonością środowiska i błędem pozycjonowania robota. Wzrost złożoności środowiska zwiększy m, a wzrost błędu zwiększy Ni.2,5 skumulowany błąd Błędy w uderzeniu wynikają głównie z trzech aspektów: (1) błędu obserwacji; (2) Błąd licznika przebiegu; (3) Błędy spowodowane nieprawidłowym powiązaniem danych; Gdy robot zlokalizuje się w otoczeniu znanej mapy, może skompensować błąd licznika kilometrów, obserwując znak charakterystyczny o znanej pozycji. Każda obserwacja sprawia, że błąd pozycji robota ma tendencję do sumy błędu obserwacji i błędu pozycji znaku charakterystycznego. Jednakże w przypadku uderzenia, ponieważ położenie robota i położenie znaku charakterystycznego w otoczeniu są nieznane, informacje obserwacyjne nie mogą skutecznie skorygować błędu licznika kilometrów, a błąd położenia robota zwiększa się wraz z odległością ruchu robot. Zwiększenie błędu pozycji robota doprowadzi do błędnego skojarzenia danych, co zwiększy błąd pozycji znaku cechy; z kolei błąd znaku cechy zwiększy błąd pozycji robota. Dlatego błąd położenia robota jest ściśle powiązany z błędem położenia znaku charakterystycznego. Interakcja między nimi powoduje, że oszacowanie pozycji robota i znaku obiektu powoduje kumulację błędu, który trudno zapewnić spójność mapy. 3. Metoda implementacji metody slam Obecnie metody slam można z grubsza podzielić na dwie kategorie: (1) Metody oparte na modelu prawdopodobieństwa: slam całkowity oparty na filtrze Kalmana, filtrze kompresyjnym, FastSLAM itp. (2) Metody modelu nieprobabilistycznego: sm -slam, dopasowywanie skanów, kojarzenie danych, w oparciu o logikę rozmytą itp.Metoda implementacji 3.1 oparta na filtrze Kalmana Ze statystycznego punktu widzenia slam jest problemem filtrującym, czyli oszacowaniem aktualnego stanu systemu na podstawie stanu początkowego systemu oraz informacji obserwacyjnych i kontrolnych (stan licznika kilometrów) od 0 do t. W przypadku uderzenia stan systemu składa się z pozycji robota R i informacji o mapie m (w tym informacji o położeniu każdego znaku obiektu). Zakładając, że model ruchu i model obserwacji układu są modelami liniowymi z szumem Gaussa, a stan układu jest zgodny z rozkładem Gaussa, slam można zrealizować za pomocą filtru Kalmana. SLAM oparty na filtrze Kalmana obejmuje dwa etapy: przewidywanie stanu systemu i aktualizację. Jednocześnie musi także zarządzać informacjami na mapie, takimi jak dodawanie nowych oznaczeń obiektów i usuwanie oznaczeń obiektów. Filtr Kalmana zakłada, że system jest układem liniowym, jednak w praktyce model ruchu i model obserwacji robota są nieliniowe. Dlatego zwykle stosuje się rozszerzony filtr Kalmana. Rozszerzony filtr Kalmana reprezentuje w przybliżeniu model nieliniowy poprzez rozwinięcie Taylora pierwszego rzędu. Innym filtrem Kalmana odpowiednim dla modeli nieliniowych jest UKF (bezzapachowy filtr Kalmana). UKF wykorzystuje warunkowy rozkład Gaussa do przybliżenia rozkładu prawdopodobieństwa a posteriori. W porównaniu z EKF, UKF ma wyższą dokładność linearyzacji i nie wymaga obliczania macierzy Jakobianu. Podstawową metodą realizacji slamu stał się filtr Kalmana. Jej macierz kowariancji zawiera niepewne informacje o pozycji robota i mapie. Gdy robot w sposób ciągły obserwuje charakterystyczne znaki w otoczeniu, wyznacznik dowolnej podmacierzy macierzy kowariancji maleje monotonicznie. Teoretycznie, gdy liczba obserwacji dąży do nieskończoności, kowariancja każdego znaku cechy jest związana jedynie z kowariancją pozycji początkowej robota. Złożoność czasowa filtru Kalmana wynosi O (). Ponieważ robot może za każdym razem obserwować tylko kilka znaków obiektów, złożoność czasową SLAM w oparciu o filtr Kalmana można zoptymalizować jako O (), a N reprezentuje liczbę znaków obiektów na mapie.3.2 Metoda lokalnej mapy podrzędnej Metoda lokalnej mapy podrzędnej rozkłada uderzenie na kilka mniejszych problemów podrzędnych z punktu widzenia przestrzeni. W metodzie podmap należy uwzględnić następujące problemy: (1) Jak dzielić podmapy; (2) Jak przedstawić relację pomiędzy podmapami; (3) Jak przenieść informacje z podmapy na mapę globalną i czy można zagwarantować spójność mapy globalnej; Najprostszą metodą lokalnej podmapy jest podzielenie mapy globalnej na niezależne podmapy, zawierające stałą liczbę znaczników obiektów, bez uwzględnienia relacji między podmapami, i wdrożenie odpowiednio slam w każdej podmapie. Złożoność czasowa tej metody wynosi O (1). Jednakże, ze względu na utratę przydatnych informacji przedstawiających korelację pomiędzy różnymi podmapami, metoda ta nie może zapewnić globalnej spójności mapy. W tym względzie Leonard i in. Proponowana metoda DSM (decoupled stochastic mapping). Każda podmapa w DSM zapisuje własną szacunkową pozycję robota. Kiedy robot wchodzi na inną podmapę B z jednej podmapy a, do przesłania informacji z podmapy a do podmapy B stosuje się metodę opartą na EKF; B. Williams i in. Zaproponowano metodę uderzenia opartą na CLSF (ograniczony filtr lokalnej mapy podrzędnej). CLSF tworzy podmapę ze znanymi współrzędnymi globalnymi na mapie. W trakcie pracy robota do aktualizacji pozycji znaczników obiektów na robocie i na lokalnej podmapie wykorzystywane są wyłącznie informacje z obserwacji, a informacje z lokalnych podmap są przesyłane na mapę globalną w określonych odstępach czasu. Chociaż eksperymenty pokazują, że oba algorytmy mają dobrą wydajność, teoretycznie nie udowodniono, że mogą zachować spójność map. J. Guivant i in. Zaproponowano algorytm optymalizacji slam cekf (skompresowany rozszerzony filtr Kalmana) bez utraty informacji. Cekf dzieli obserwowane znaki obiektów na części A i B. A reprezentuje obszar przylegający do aktualnej pozycji robota, co nazywa się aktywną podmapą. Kiedy robot porusza się po aktywnej podmapie a, pozycja robota i podmapy a jest aktualizowana w czasie rzeczywistym przy użyciu informacji obserwacyjnych, a wpływ informacji obserwacyjnych na podmapę B jest rejestrowany metodą rekurencyjną; Kiedy robot opuszcza aktywną podmapę a, informacje obserwacyjne są przesyłane bez strat do podmapy B, tak aby jednocześnie zaktualizować podmapę B i jednocześnie utworzyć nową aktywną podmapę. Czas obliczeń w tej metodzie składa się z dwóch części: uderzenia w podmapę aktywności, której złożoność czasowa wynosi O (), co oznacza liczbę znaków charakterystycznych na podmapie aktywności a; Złożoność czasowa aktualizacji podmapy B wynosi O (), co jest liczbą znaków obiektowych na mapie B. Gdy odstęp czasu łączenia podmap jest duży, cekf może skutecznie zmniejszyć ilość obliczeń slam.3.3 metoda dekorelacji Innym sposobem na zmniejszenie złożoności slamu jest zignorowanie niektórych elementów o mniejszych wartościach w macierzy kowariancji reprezentującej relację korelacji i przekształcenie jej w macierz rzadką. Jednak utraci również spójność mapy z powodu utraty informacji. Jeśli jednak reprezentację macierzy kowariancji można zmienić tak, że wiele jej elementów jest bliskich lub równych zeru, można ją bezpiecznie zignorować. Na tej idei opiera się SLAM oparty na rozszerzonym filtrze informacji (EIF). EIF jest opartym na informacjach wyrażeniem EKF. Różnica między nimi polega na tym, że reprezentują informacje w różnych formach. EIF wykorzystuje odwrotną macierz macierzy kowariancji do przedstawienia niepewnych informacji w formie slam, co nazywa się macierzą informacji. Fuzję dwóch niepowiązanych ze sobą macierzy informacyjnych można po prostu wyrazić jako dodanie dwóch macierzy. Każdy nie przekątny element w matrycy informacyjnej reprezentuje relację związaną z ograniczeniem pomiędzy robotem a znakiem cechy lub pomiędzy znakiem cechy a znakiem cechy. Te relacje ograniczeń można aktualizować lokalnie poprzez zależność sygnału stanu systemu. Ta lokalna aktualizacja sprawia, że macierz informacyjna jest zbliżona do macierzy rzadkiej, a błąd spowodowany jej przerzedzeniem jest bardzo mały. Zgodnie z tym S. Thrun i in. Zaproponował metodę slamu opartą na seif filtra informacji rzadkiej (rzadki filtr informacji rozszerzonej) i udowodnił, że złożoność czasowa slamu przy użyciu macierzy informacji rzadkich wynosi O (1). Chociaż EIF może skutecznie zmniejszyć złożoność czasową slam, nadal istnieją pewne problemy w reprezentacji informacji mapowych i zarządzaniu nimi. Po pierwsze, średnią wartość stanu systemu można obliczyć jedynie w przybliżeniu w stałym czasie; Po drugie, w metodzie slam opartej na EIF dodawanie i usuwanie znaków charakterystycznych jest niewygodne.
Robot zaczyna poruszać się z nieznanej pozycji w nieznanym środowisku. W trakcie przemieszczania się lokalizuje na podstawie oszacowanej pozycji i danych z czujników, po czym stopniowo ulepsza i konstruuje kompletną mapę. To jest proces typu „slam”. W przypadku uderzenia robot wykorzystuje własny czujnik do zidentyfikowania znaku charakterystycznego w nieznanym środowisku, a następnie szacuje globalne współrzędne robota i znaku charakterystycznego na podstawie względnej pozycji pomiędzy robotem a znakiem charakterystycznym oraz odczytu licznika kilometrów. To pozycjonowanie online i tworzenie map wymaga zachowania szczegółowych informacji między robotem a znakiem obiektu. W ostatnich latach badania nad uderzeniem poczyniły ogromne postępy i zostały zastosowane w różnych środowiskach, takich jak roboty, AR, VR, UAV, autopilot i tak dalej.2. Kluczowe zagadnienia slamu 2.1 reprezentacja mapy Obecnie powszechne metody reprezentacji map można z grubsza podzielić na trzy kategorie: reprezentacja siatki, reprezentacja informacji geometrycznej i reprezentacja topologii. Każda metoda ma swoje zalety i wady. (1) Mapa informacji geometrycznych Reprezentacja mapy informacji geometrycznych oznacza, że robot zbiera informacje dotyczące percepcji otoczenia, wyodrębnia bardziej abstrakcyjne cechy geometryczne, takie jak odcinki linii lub krzywe, i wykorzystuje te informacje geometryczne do opisu środowiska. Zaleta: jest bardziej kompaktowy i wygodny do szacowania pozycji i rozpoznawania celu; Metoda geometryczna wykorzystuje filtr Kalmana w celu uzyskania dużej dokładności i niewielkiej ilości obliczeń w obszarze lokalnym; Wady: Wydobywanie informacji geometrycznych wymaga dodatkowego przetwarzania informacji percepcyjnych, a do uzyskania wyników wymagana jest pewna ilość danych percepcyjnych; Trudno jest zachować dokładne informacje o współrzędnych w środowisku rozległym; (2) Mapa siatkowa Mapa siatkowa ma na celu podzielenie całego środowiska na kilka siatek tego samego rozmiaru i wskazanie, czy na każdej siatce znajdują się przeszkody. zaleta: Łatwy w tworzeniu i utrzymaniu oraz stara się zachować wszelkiego rodzaju informacje o całym środowisku; Za pomocą mapy można wygodnie samodzielnie pozycjonować i planować trasę; Wady: Gdy liczba siatek wzrasta (w środowisku o dużej skali lub gdy środowisko jest szczegółowo podzielone), utrzymanie mapy stanie się trudne. Jednocześnie w procesie pozycjonowania istnieje duża przestrzeń poszukiwań. Jeśli nie ma dobrego, uproszczonego algorytmu, trudno jest zrealizować aplikację w czasie rzeczywistym. (3) Mapa topologiczna Mapy topologiczne są wysoce abstrakcyjne, zwłaszcza gdy środowisko jest duże i proste. W tej metodzie środowisko jest reprezentowane jako graf w sensie topologii, a węzły na wykresie odpowiadają charakterystycznemu stanowi i położeniu w środowisku. Jeżeli pomiędzy węzłami istnieje bezpośrednia ścieżka połączenia, odpowiada ona łukowi łączącemu węzły na rysunku. zaleta: Sprzyja dalszemu planowaniu ścieżki i zadań; Przestrzeń przechowywania i wyszukiwania jest stosunkowo niewielka, a wydajność obliczeniowa wysoka; Można zastosować wiele dojrzałych i wydajnych algorytmów wyszukiwania i wnioskowania; Wady: Podczas stosowania należy opierać się na identyfikacji i dopasowywaniu węzłów topologii. Na przykład, gdy w środowisku znajdują się dwa bardzo podobne miejsca, metodzie mapy topologicznej trudno będzie określić, czy są to ten sam punkt;2.2 opis informacji niepewnych Kiedy otoczenie jest zupełnie nieznane, jeśli robot chce zbudować mapę i chodzić, musi uzyskać informacje za pomocą innych czujników, takich jak licznik kilometrów, sonar, dalmierz laserowy, wzrok i tak dalej. Ze względu na ograniczenia samego czujnika, informacje o wykrywaniu charakteryzują się różnym stopniem niepewności. Na przykład niepewność dalmierza laserowego wynika głównie z błędu pomiaru odległości i błędu kąta pomiaru spowodowanego obrotem reflektora i rozproszeniem lasera. Jak pokazano na powyższym rysunku, niepewność postrzeganych informacji nieuchronnie doprowadzi do niemożności, aby skonstruowany model środowiska był całkowicie dokładny. Podobnie przy podejmowaniu decyzji w oparciu o model i percepcję występuje niepewność, to znaczy niepewność jest przechodnia. Metody pomiaru niepewności obejmują głównie pomiar prawdopodobieństwa, pomiar zaufania, pomiar możliwości, pomiar rozmyty i teorię dowodów. Obecnie w konstrukcji map AMR powszechnie stosuje się miary prawdopodobieństwa i miary rozmyte. Istnieją dwie główne formy pomiaru prawdopodobieństwa: (1) Niepewna informacja jest opisana za pomocą cech prawdopodobieństwa, takich jak średnia, wariancja i kowariancja. Zaletą tej metody pomiaru jest to, że cechy prawdopodobieństwa, takie jak średnia, mają wyraźne znaczenie geometryczne, ale wadą jest to, że nie określono dyskretnego wzoru obliczeniowego cech prawdopodobieństwa; (2) Do opisu niepewnych informacji stosuje się model prawdopodobieństwa, głównie wykorzystując regułę Bayesa i hipotezę Markowa. Zaletą tej metody pomiaru jest to, że pozycja, położenie i informacje o środowisku robota są opisywane za pomocą losowego modelu prawdopodobieństwa, a odporność jest bardzo dobra. Wadą jest to, że ilość obliczeń modelu prawdopodobieństwa jest bardzo duża, a wcześniejsze prawdopodobieństwo modelu musi być znane z góry, co utrudnia praktyczne zastosowanie.2.3 Ekstrakcja lokalizacji i cech środowiska Samolokalizacja robota mobilnego jest ściśle powiązana z modelowaniem środowiskowym. Dokładność modelu otoczenia zależy od dokładności pozycjonowania, a realizacja pozycjonowania jest nierozerwalnie związana z modelem otoczenia. W nieznanym środowisku robot nie ma odniesienia i może polegać jedynie na własnych, niedokładnych czujnikach, aby uzyskać informacje zewnętrzne, podobnie jak niewidomy mężczyzna poruszający się po omacku w nieznanym środowisku. W tym przypadku pozycjonowanie jest trudne. Zarówno pozycjonowanie mapy, jak i tworzenie map z pozycjonowaniem są łatwe do rozwiązania, ale pozycjonowanie bez mapy i tworzenie mapy bez pozycjonowania przypomina problem „kurzego jaja”. W istniejących badaniach rozwiązania takich problemów można podzielić na dwie kategorie: (1) O ile w ocenie własnego ruchu wykorzystuje się czujniki wewnętrzne, o tyle czujniki zewnętrzne (takie jak dalmierz laserowy, wzrok itp.) służą do postrzegania otoczenia analizować uzyskane informacje, wyodrębniać cechy środowiska i je zapisywać. W kolejnym kroku następuje korekta własnego stanowiska poprzez porównanie cech środowiska. Ale ta metoda zależy od możliwości uzyskania cech środowiskowych. (2) Dzięki zastosowaniu różnych czujników wewnętrznych (w tym licznika kilometrów, kompasu, akcelerometru itp.), które znajdują się osobno, błąd pozycjonowania jest redukowany poprzez połączenie różnych informacji z czujników. Większość stosowanych algorytmów fuzji opiera się na filtrze Kalmana. Ponieważ metody te nie odnoszą się do informacji zewnętrznych, po długotrwałym roamingu kumulacja błędów będzie duża. Metody ekstrakcji cech środowiska obejmują: 1) . Transformacja Hougha jest rodzajem metody wykrywania linii i innych krzywych na podstawie szarego obrazu. Metoda ta wymaga grupy wstępnie przygotowanych określonych krzywych, które można przeszukiwać i generuje parametry krzywych na podstawie grupy krzywych na wyświetlanym szarym obrazie. 2) . analiza skupień to narzędzie do wykrywania danych, które jest skuteczne w przypadku niesklasyfikowanych próbek. Jednocześnie jego celem jest podzielenie docelowych obiektów na kategorie naturalne lub klasy skupień na podstawie podobieństwa lub odległości. Gdy kategoria wyodrębnionego obiektu jest nieznana, technologia klastrowania jest bardziej efektywną technologią w porównaniu z metodą Houghtransform. Klasy klastrów powinny skupiać się na „spójności”, a nie na fragmentaryczności i rozłączności. Cechy środowiskowe są czasami trudne do wyodrębnienia. Na przykład, gdy cechy środowiska nie są wystarczająco oczywiste lub istnieje niewiele informacji z czujników, trudno jest uzyskać cechy środowiska na podstawie jednorazowych informacji o percepcji.2.4 Powiązanie danych Powiązanie danych polega na dopasowaniu dwóch znaków cech w celu ustalenia, czy odpowiadają one temu samemu obiektowi w środowisku. Powiązanie danych w trybie slam wymaga głównie wykonania trzech zadań: (1) Dopasowanie między mapami; (2) Dopasowanie znaków charakterystycznych; (3) Wykrywanie nowych znaków charakterystycznych; Chociaż powiązanie danych zostało dobrze rozwiązane w dziedzinie śledzenia celów i łączenia czujników, metody te wymagają dużej ilości obliczeń i nie są w stanie spełnić wymagań dotyczących uderzenia w czasie rzeczywistym. Złożoność powiązania danych pomiędzy znakami M i mapami z n znakami jest wykładnicza przy M. zakładając, że każdy zaobserwowany znak I ma możliwe dopasowanie, w przypadku M znaków konieczne jest poszukiwanie prawidłowego dopasowania w przestrzeni wykładniczej =. Przestrzeń poszukiwań skojarzeń danych jest związana ze złożonością środowiska i błędem pozycjonowania robota. Wzrost złożoności środowiska zwiększy m, a wzrost błędu zwiększy Ni.2,5 skumulowany błąd Błędy w uderzeniu wynikają głównie z trzech aspektów: (1) błędu obserwacji; (2) Błąd licznika przebiegu; (3) Błędy spowodowane nieprawidłowym powiązaniem danych; Gdy robot zlokalizuje się w otoczeniu znanej mapy, może skompensować błąd licznika kilometrów, obserwując znak charakterystyczny o znanej pozycji. Każda obserwacja sprawia, że błąd pozycji robota ma tendencję do sumy błędu obserwacji i błędu pozycji znaku charakterystycznego. Jednakże w przypadku uderzenia, ponieważ położenie robota i położenie znaku charakterystycznego w otoczeniu są nieznane, informacje obserwacyjne nie mogą skutecznie skorygować błędu licznika kilometrów, a błąd położenia robota zwiększa się wraz z odległością ruchu robot. Zwiększenie błędu pozycji robota doprowadzi do błędnego skojarzenia danych, co zwiększy błąd pozycji znaku cechy; z kolei błąd znaku cechy zwiększy błąd pozycji robota. Dlatego błąd położenia robota jest ściśle powiązany z błędem położenia znaku charakterystycznego. Interakcja między nimi powoduje, że oszacowanie pozycji robota i znaku obiektu powoduje kumulację błędu, który trudno zapewnić spójność mapy. 3. Metoda implementacji metody slam Obecnie metody slam można z grubsza podzielić na dwie kategorie: (1) Metody oparte na modelu prawdopodobieństwa: slam całkowity oparty na filtrze Kalmana, filtrze kompresyjnym, FastSLAM itp. (2) Metody modelu nieprobabilistycznego: sm -slam, dopasowywanie skanów, kojarzenie danych, w oparciu o logikę rozmytą itp.Metoda implementacji 3.1 oparta na filtrze Kalmana Ze statystycznego punktu widzenia slam jest problemem filtrującym, czyli oszacowaniem aktualnego stanu systemu na podstawie stanu początkowego systemu oraz informacji obserwacyjnych i kontrolnych (stan licznika kilometrów) od 0 do t. W przypadku uderzenia stan systemu składa się z pozycji robota R i informacji o mapie m (w tym informacji o położeniu każdego znaku obiektu). Zakładając, że model ruchu i model obserwacji układu są modelami liniowymi z szumem Gaussa, a stan układu jest zgodny z rozkładem Gaussa, slam można zrealizować za pomocą filtru Kalmana. SLAM oparty na filtrze Kalmana obejmuje dwa etapy: przewidywanie stanu systemu i aktualizację. Jednocześnie musi także zarządzać informacjami na mapie, takimi jak dodawanie nowych oznaczeń obiektów i usuwanie oznaczeń obiektów. Filtr Kalmana zakłada, że system jest układem liniowym, jednak w praktyce model ruchu i model obserwacji robota są nieliniowe. Dlatego zwykle stosuje się rozszerzony filtr Kalmana. Rozszerzony filtr Kalmana reprezentuje w przybliżeniu model nieliniowy poprzez rozwinięcie Taylora pierwszego rzędu. Innym filtrem Kalmana odpowiednim dla modeli nieliniowych jest UKF (bezzapachowy filtr Kalmana). UKF wykorzystuje warunkowy rozkład Gaussa do przybliżenia rozkładu prawdopodobieństwa a posteriori. W porównaniu z EKF, UKF ma wyższą dokładność linearyzacji i nie wymaga obliczania macierzy Jakobianu. Podstawową metodą realizacji slamu stał się filtr Kalmana. Jej macierz kowariancji zawiera niepewne informacje o pozycji robota i mapie. Gdy robot w sposób ciągły obserwuje charakterystyczne znaki w otoczeniu, wyznacznik dowolnej podmacierzy macierzy kowariancji maleje monotonicznie. Teoretycznie, gdy liczba obserwacji dąży do nieskończoności, kowariancja każdego znaku cechy jest związana jedynie z kowariancją pozycji początkowej robota. Złożoność czasowa filtru Kalmana wynosi O (). Ponieważ robot może za każdym razem obserwować tylko kilka znaków obiektów, złożoność czasową SLAM w oparciu o filtr Kalmana można zoptymalizować jako O (), a N reprezentuje liczbę znaków obiektów na mapie.3.2 Metoda lokalnej mapy podrzędnej Metoda lokalnej mapy podrzędnej rozkłada uderzenie na kilka mniejszych problemów podrzędnych z punktu widzenia przestrzeni. W metodzie podmap należy uwzględnić następujące problemy: (1) Jak dzielić podmapy; (2) Jak przedstawić relację pomiędzy podmapami; (3) Jak przenieść informacje z podmapy na mapę globalną i czy można zagwarantować spójność mapy globalnej; Najprostszą metodą lokalnej podmapy jest podzielenie mapy globalnej na niezależne podmapy, zawierające stałą liczbę znaczników obiektów, bez uwzględnienia relacji między podmapami, i wdrożenie odpowiednio slam w każdej podmapie. Złożoność czasowa tej metody wynosi O (1). Jednakże, ze względu na utratę przydatnych informacji przedstawiających korelację pomiędzy różnymi podmapami, metoda ta nie może zapewnić globalnej spójności mapy. W tym względzie Leonard i in. Proponowana metoda DSM (decoupled stochastic mapping). Każda podmapa w DSM zapisuje własną szacunkową pozycję robota. Kiedy robot wchodzi na inną podmapę B z jednej podmapy a, do przesłania informacji z podmapy a do podmapy B stosuje się metodę opartą na EKF; B. Williams i in. Zaproponowano metodę uderzenia opartą na CLSF (ograniczony filtr lokalnej mapy podrzędnej). CLSF tworzy podmapę ze znanymi współrzędnymi globalnymi na mapie. W trakcie pracy robota do aktualizacji pozycji znaczników obiektów na robocie i na lokalnej podmapie wykorzystywane są wyłącznie informacje z obserwacji, a informacje z lokalnych podmap są przesyłane na mapę globalną w określonych odstępach czasu. Chociaż eksperymenty pokazują, że oba algorytmy mają dobrą wydajność, teoretycznie nie udowodniono, że mogą zachować spójność map. J. Guivant i in. Zaproponowano algorytm optymalizacji slam cekf (skompresowany rozszerzony filtr Kalmana) bez utraty informacji. Cekf dzieli obserwowane znaki obiektów na części A i B. A reprezentuje obszar przylegający do aktualnej pozycji robota, co nazywa się aktywną podmapą. Kiedy robot porusza się po aktywnej podmapie a, pozycja robota i podmapy a jest aktualizowana w czasie rzeczywistym przy użyciu informacji obserwacyjnych, a wpływ informacji obserwacyjnych na podmapę B jest rejestrowany metodą rekurencyjną; Kiedy robot opuszcza aktywną podmapę a, informacje obserwacyjne są przesyłane bez strat do podmapy B, tak aby jednocześnie zaktualizować podmapę B i jednocześnie utworzyć nową aktywną podmapę. Czas obliczeń w tej metodzie składa się z dwóch części: uderzenia w podmapę aktywności, której złożoność czasowa wynosi O (), co oznacza liczbę znaków charakterystycznych na podmapie aktywności a; Złożoność czasowa aktualizacji podmapy B wynosi O (), co jest liczbą znaków obiektowych na mapie B. Gdy odstęp czasu łączenia podmap jest duży, cekf może skutecznie zmniejszyć ilość obliczeń slam.3.3 metoda dekorelacji Innym sposobem na zmniejszenie złożoności slamu jest zignorowanie niektórych elementów o mniejszych wartościach w macierzy kowariancji reprezentującej relację korelacji i przekształcenie jej w macierz rzadką. Jednak utraci również spójność mapy z powodu utraty informacji. Jeśli jednak reprezentację macierzy kowariancji można zmienić tak, że wiele jej elementów jest bliskich lub równych zeru, można ją bezpiecznie zignorować. Na tej idei opiera się SLAM oparty na rozszerzonym filtrze informacji (EIF). EIF jest opartym na informacjach wyrażeniem EKF. Różnica między nimi polega na tym, że reprezentują informacje w różnych formach. EIF wykorzystuje odwrotną macierz macierzy kowariancji do przedstawienia niepewnych informacji w formie slam, co nazywa się macierzą informacji. Fuzję dwóch niepowiązanych ze sobą macierzy informacyjnych można po prostu wyrazić jako dodanie dwóch macierzy. Każdy nie przekątny element w matrycy informacyjnej reprezentuje relację związaną z ograniczeniem pomiędzy robotem a znakiem cechy lub pomiędzy znakiem cechy a znakiem cechy. Te relacje ograniczeń można aktualizować lokalnie poprzez zależność sygnału stanu systemu. Ta lokalna aktualizacja sprawia, że macierz informacyjna jest zbliżona do macierzy rzadkiej, a błąd spowodowany jej przerzedzeniem jest bardzo mały. Zgodnie z tym S. Thrun i in. Zaproponował metodę slamu opartą na seif filtra informacji rzadkiej (rzadki filtr informacji rozszerzonej) i udowodnił, że złożoność czasowa slamu przy użyciu macierzy informacji rzadkich wynosi O (1). Chociaż EIF może skutecznie zmniejszyć złożoność czasową slam, nadal istnieją pewne problemy w reprezentacji informacji mapowych i zarządzaniu nimi. Po pierwsze, średnią wartość stanu systemu można obliczyć jedynie w przybliżeniu w stałym czasie; Po drugie, w metodzie slam opartej na EIF dodawanie i usuwanie znaków charakterystycznych jest niewygodne.