هوش مصنوعی رباتیک موقعیت یابی و نقشه برداری

هوش مصنوعی رباتیک موقعیت یابی و نقشه برداری – ایران ترجمه – Irantarjomeh

مقالات ترجمه شده آماده گروه کامپیوتر

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

چگونگی سفارش مقاله

الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.

www.irantarjomeh.com

موقعیت‌یابی و نقشه بردای همزمان ( SLAM) چند رباتی

۱- فهرست مطالب

۲- مقدمه

۱- ۲٫ مشکل SLAM

۲-۲٫ SLAM نشان محور (نشانگر)

۳-۲٫ SLAM غیر نشان گر

۴- ۲٫ SLAM چند رباتی

۵-۲٫ مدل پیشنهادی

۳- سابقه تئوریکی

۱-۳٫ SLAM

۱-۱-۳٫ زنجیر مارکوف (Markov chain)

۲-۱-۳٫ ارزیابی موقعیت

۳-۱-۳٫ داده‌های حسگر

۴-۱-۳٫ دریفت

۵-۱-۳٫ بستار حلقه

۶-۱-۳٫ توزیع‌های باور 

۲-۳٫ فیلتر نمودن جزء

۱-۲-۳٫ اجزاء

۲-۲-۳٫ انتشار

۳-۲-۳٫  FastSLAM 1.0

۴-۲-۳٫  FastSLAM 2.0

۵-۲-۳٫ درخت دودمان / شجره نامه

۶-۲-۳٫ به هم پیوستگی

۷-۲-۳٫ ربات واحد DP-SLAM

۸-۲-۳٫ DP-SLAM 1.0

۱-۸-۲-۳٫ فیلتر جزء

۲-۸-۲-۳٫ ارزیابی جزء

۳-۸-۲-۳٫ ارائه نقشه

۴-۸-۲-۳٫ درخت دودمان/ شجره کمینه

۹-۲-۳٫ DP‐SLAM ارتقاء‌ یافته

۱-۹-۲-۳٫ مدل مشاهده ارتقاء‌ یافته

۲-۹-۲-۳٫ نقشه ‌برداری سطح بالا

۳-۲-۹-۳٫ پیچیدگی

۱۰-۲-۳٫ تکرار رئوس مطالب

۴- ارتقای برآورد موقعیت

 ۱-۴٫ ربات DP-SLAM دو تایی

 ۱-۱-۴٫ مقدمه

۲-۱-۴٫ ترکیب نقشه

۱-۲-۱-۴٫ درآمیختگی یا ترکیب برآوردهای موقعیت ربات

۲-۲-۱-۴ مدل مشاهداتی

۳-۲-۱-۴٫ ادغام برآوردهای موقعیت در DP-SLAM

۴-۲-۱-۴٫ برخوردهای ربات

۳-۱-۴٫ نقشه‌برداری متمرکز در برابر نقشه ‌برداری غیر متمرکز

۴-۱-۴٫ ترکیب موقعیت‌ها در سیستم‌های جزء چند رباتی

۵-۱-۴٫ هرس کردن

۲-۴٫ DP-SLAM چند رباتی

۳-۴٫ ارتباطات

۱-۳-۴٫ دقت افزایش یافته

۲-۳-۴٫ در هم آمیختگی نقشه

۵- رویه استقرار تجربی

۱-۵٫  DP-SLAM

۱-۱-۵٫  DP-SLAM اصلی / اولیه

۱-۱-۱-۵٫ روتین LowSlam

۲-۱-۱-۵٫ مسیر HighSlam

۲-۱-۵٫ اصلاحات

۲-۵٫ شبیه سازی

۱-۲-۵٫ بازیگر

۲-۲-۵٫ مرحله

۳-۲-۵٫ محیط

۶- روش

۱-۶٫ دیدگاه چند رباتی

۲-۶٫ ارتقای موقعیت

۱-۲-۶٫ مکانیزم ارتقای موقعیت

۲-۲-۶٫ اصلاح ‌های سطح پایین

۳-۲-۶٫ اصلاح‌ های سطح بالا

۷- نتایج

۱-۷٫ جزئیات یا روند نصب اولیه

۲-۷٫ محیط بزرگ

۳-۷٫ توزیع جزء

۸- مباحث و تحقیقات آتی

۱-۸٫ افزایش قطعیت

۲-۸٫ تنوع جزء محدود

۳-۸٫ نقشه‌های ارتقاء یافته

۴-۸٫ تحقیقات آتی

۹- ضمیمه ۱،‌ اصلاحات

ضمیمه۲ ترکیب نقشه در SLAM–DP

۱-۱۰٫ رفتار مورد انتظار

۲-۱۰٫ ساختارهای داده

۲- مقدمه

موقعیت‌یابی و نقشه بردای همزمان که همچنین تحت عنوان SLAM خوانده می‌شود به عنوان یک مشکل در زمینه نقشه‌برداری به وسیله ربات‌های اتوماتیک در یک محیط ناشناخته به شمار می‌آید که در آن مواردی از عدم قطعیت و عدم شناخت در کلیه پارامترهای مرتبط با خواندن حسگر وجود دارد. این تز نشان دهنده آن است که چگونه راه حل‌های SLAM را می‌توان با استفاده از ربات‌های متعدد ارتقاء‌ داد که خود سبب پیشرفت در مبحث برآورد موقعیت ربات‌های انفرادی خواهد شد.

هوش مصنوعی رباتیک موقعیت یابی و نقشه برداری

۱- ۲٫ مشکل SLAM

همانگونه که از آن نام بر می آید مشکلات مرتبط با SLAM مضاعف است. از آنجائیکه محیط برای ربات ناشناخته است، موقعیت‌یابی خود به عنوان یک وظیفه بسیار پیچیده مطرح می‌باشد. از طرفی دیگر، بدون دانستن این موضوع که ربات در کجا قرار دارد،‌ انجام فرآیند نقشه ‌برداری تقریبا غیر ممکن خواهد بود.

مشکل SLAM غالبا از طریق ارزیابی موقعیت نسبی ربات برطرف می‌شود. چرا که فرآیند روبش حسگر آخری بر مبنای سیستم مسافت پیمایی انجام می‌ شود، که خود بعنوان ادواتی مطرح هستند که قابلیت ارزیابی حرکت ربات را خواهند داشت. با انجام این کار، ربات از یک درک مشخص در زمینه مقادیر حسگر کنونی خود در مقایسه با مقادیر حسگر قبلی برخوردار خواهد شد. تکرار این فرآیند برای یک مدت زمان طولانی، سبب تجمیع کلیه اطلاعات خوانده شده حسگر شده و بر این مبنا به ربات اجازه می‌دهد تا نسبت به تولید نقشه محیطی خود اقدام نماید.

با این وجود، سیستم مسافت سنجی تنها قابلیت ارزیابی حرکت ربات را خواهد داشت. رویه مشابه برای کلیه ادوات حسگری که بر روی یک ربات نصب می‌شوند نیز صادق است، آنها تنها می‌توانند ارزیابی خود را با توجه به محیط پیرامونی ارائه دهند. چنین موردی سبب پیچیده شدن موضوعات در مبحث کاربردهای رباتیک شامل راه حل SLAM می‌گردد. یک روش جهت حل این وضعیت نامشخص با استفاده از برآوردهای غیر قطعی با توجه به موقعیت ربات، تشریح احتمال موقعیت ربات در یک محل خاص می‌باشد.

توصیف تفصیلی مرتبط با مشکل SLAM و مبحثی در زمینه شایع ترین راه حل‌های مرتبط با آن را می‌توانید در فصل ۳، سابقه تئوریکی، ملاحظه کنید. دیدگاه‌های SLAM را می‌توان به دو کلاس مجزا تقسیم نمود،‌ دیدگاه‌های مبتنی بر نشانگر محیطی (landmark) و دیدگاه‌هایی که بر این ویژگی متکی نیستند. هر دوی این موارد در دو بخش بعدی مورد بررسی قرار خواهند گرفت.

هوش مصنوعی رباتیک موقعیت یابی و نقشه برداری

۲-۲٫ SLAM نشان محور (نشانگر)

دیدگاه‌های نشانه محور (نشانگر) اقدام به ارزیابی موقعیت ربات بر مبنای حس‌گرهای مسافت سنج نموده و سپس آن را مبتنی بر شناخت نشانه‌های قبلی مورد شناسایی قرار می‌دهند. چنین نشانه‌هایی به صورت منحصر بفرد، موضوعات قابل تمایزی همانند برج‌ ها، شکل‌های عجیب درختان و نشانه‌های رنگی روشن می‌باشند. نقشه حاصله به وسیله ترکیبی از حسگرهای خواندنی به وجود آمده و برای کلیه موقعیت‌های ثبت شده نسبی تنظیم می‌گردند و از این طریق آنها تنها شامل موقعیت‌های نسبی نشانگرهای تشخیص داده شده خواهند بود.

شاخص ترین دیدگاه مبتنی بر نشانگر جهت حل مشکل SLAM در مقاله جاری تحت عنوان دیدگاه fastSLAM  خوانده می‌شود [Montemerlo و همکاران، ۲۰۰۲؛ Montemerlo و همکاران، ۲۰۰۳ ].

۳-۲٫ SLAM غیر نشان گر

از دیگر رویکردهای مرتبط با مواجهه شدن با مشکل SLAM عدم تشخیص نشانگرهای منحصر به فرد می‌باشد. این دیدگاه‌ها سطح بزرگتری از اطلاعات غیر قابل تشخیص،  نظیر جهت یاب های لیزری و سونار / ردیاب صوتی، که بوسیله حسگرهای مربوطه مهیا شده اند، را در بر می گیرند. با وجود آنکه این رویکرد‌ها حاوی یک بانک اطلاعاتی بسیار بزرگتر می‌باشند، زمان محاسبه آنها مشابه با نوع دیدگاههای مبتنی بر نشانگر‌خواهد بود چرا که به هیچگونه پردازش تصویری نیاز نمی‌باشد.

الگوریتم DP-SLAM [Eliazar و Parr، ۲۰۰۳؛ Eliazar و Par، ۲۰۰۵ ]  به عنوان یک دیدگاه غیر نشانگر توزیعی مطرح می‌باشد. نگارش‌های اخیر دیدگاه DP-SLAM مفهوم نقشه‌برداری سلسله مراتبی را معرفی نموده است. این ویژگی متمایز دیدگاه DP-SLAM ، از طریق مدلسازی مجدد خط سیر با توجه به یک رویه تجریدی سطح بالاتر، به ربات اجازه می‌دهد خود را از خطاهای مربوط به موقعیت یابی محلی رهایی بخشد.

۴- ۲٫ SLAM چند رباتی

ارزیابی یک عملکرد ربات واحد با استفاده از بکارگیری SLAM را می‌توان از طریق تابع چگالی احتمال مورد سنجش قرار داد که خود تشریح کننده احتمال برای هر جهت می‌باشد. برای یک وظیفه SLAM در وضعیت چند رباتی، این به معنای آن است که هر ربات حامل یک تابع چگالی احتمال منحصر به فردی با توجه به موقعیت جاری و نقشه منطبق محیطی خود می‌باشد. به هنگامی ‌که ربات‌ها اقدام به شناسایی یکدیگر و برقراری ارتباط در زمینه مسائل پیرامونی خود می‌نمایند، چنین توابع چگالی احتمال را می‌توان ترکیب نموده و محدوده فرضیات را برای هر ربات تنگ تر نمود.

۵-۲٫ مدل پیشنهادی

به هنگامی‌ که اقدام به ترکیب توابع چگالی احتمال برای سیستم های چند رباتی  به منظور تشریح موقعیت آنها می‌نماییم، اطلاعات بیشتری برای هر یک از این ربات‌ها ایجاد می‌شود. این اطلاعات اضافه در ترکیب با تشخیص ربات دیگر را می‌توان جهت افزایش دقت برآورد موقعیت ربات مورد استفاده قرار داد. این تز چگونگی گسترش راه حل SLAM همراه با بررسی چگونگی افزایش کیفیت از طریق کاربرد ربات های بیشتر را مورد بررسی قرار می‌دهد. تشریح تفصیلی و فرمولاسیون مدل پیشنهادی را می‌توان در فصل چهار یافت.

هوش مصنوعی رباتیک موقعیت یابی و نقشه برداری

۳- سابقه تئوریکی

۱-۳٫ SLAM

موقعیت‌یابی و نقشه‌برداری همزمان، یا SLAM ، به عنوان فرآیند نقشه‌بردای یک محیط بدون داشتن هرگونه دانش محیطی محسوب می شود. با وجود آنکه در نگاه اول چنن موضوعی امکانپذیر به نظر می‌رسد، چنین فرآیندی را نمی‌توان بعنوان یک موقعیت مجزا و نقشه ‌برداری صرف بصورت منفک مد نظر قرار داد. دلیل این امر آن است که نمی‌توان به طور دقیق اذعان داشت که در صورت ناشناخته بودن محیط سیستم ما در کجای آن محیط استقرار یافته است. از طرف دیگر، احتمال نقشه‌برداری از محیط در صورتی که نتوان موقعیت خاص را مشخص نمود،‌ وجود ندارد. با این حال، به هنگام ترکیب این دو عامل، ‌امر ساخت نقشه‌ای از موقعیت محلی و تعیین سیستم بر روی آن میسر خواهد شد.

۱-۱-۳٫ زنجیر مارکوف (Markov chain)

مشکل SLAM غالبا با استفاده از زنجیر مارکوف تشریح می‌شود. یک زنجیر مارکوف فرآیندی است که دارای خواص مارکوف می‌باشد. این خواص بیان کننده آن است که توزیع احتمال شرطی وضعیت‌های آتی تنها منوط به وضعیت جاری می‌باشد و ارتباطی با وضعیت گذشته ندارد. به طور رسمی‌،‌ فرضیه مارکوف را می‌توان به شرح  ذیل تشریح نمود.

۲-۱-۳٫ ارزیابی موقعیت

در طی اعمال وظیفه SLAM، ربات مربوطه سعی در تعیین موقعیت محلی خود نموده و اقدام به ایجاد نقشه ای از محیط بدون داشتن دانش قبلی از آن محیط، تنها با استفاده از تنظیمات موتور و داده‌های حسگر، خواهد بود. با این وجود، برخی از مشکلات موقعیت‌یابی و نقشه‌برداری تقریبا یکسان هستند. در صورتی که فردی از این موضوع آگاه باشد که ربات دقیقا در کجای نقشه قرار گرفته است، می‌توان ترسیم درستی را حاصل آورد و عکس این قضیه نیز ممکن است صادق باشد: در صورتیکه اقدام به ترسیم یک نقشه درست برمبنای وضعیت ربات گردد،‌ تعیین یک موقعیت محلی را می‌توان به طور دقیق مشخص کرد.

۳-۱-۳٫ داده‌های حسگر

یک تمایز مهم در ارتباط با داده‌های حسگر که بوسیله الگوریتم‌های مختلف SLAM بکار گرفته شده اند را باید در نظر گرفت. اولین و مهمترین دیدگاه شهودی استفاده از نشانگرها جهت تقریب موقعیتهای ربات می‌باشد. به هنگامی‌که ربات در محیط به حرکت در می‌آید، آن ربات مشخصه‌های متمایز خاصی را مشخص نموده و تقریبی را در ارتباط با موقعیت نسبی ربات ترسیم خواهد نمود. سپس،‌ به هنگامی ‌که خصیصه مشابهی دوباره ملاحظه شد،‌ احتمال آنکه چنین موقعیتی در حقیقت با مشخصه نشانگر قبلی یکی باشد، بر مبنای سیستم مسافت سنجی و نقشه مورد محاسبه و مدلسازی منطق، وجود خواهد داشت. این تکنیک غالبا در دیدگاه‌های مبتنی بر سیستم‌های بصری SLAM و بوسیله الگوریتم fastSLAM  مشخص می‌گردد  [۲۰۰۲Montemerlo et al, ].

۴-۱-۳٫ دریفت

یکی از مشکلات اصلی که راه حل‌های SLAM با آن روبرو می‌باشند مشکل دریفت می‌باشد. این مشکل در حقیقت بواسطه تجمع خطاهای کوچک در مبحث موقعیت‌ یابی محلی است. به هنگامی‌که یک ربات خطای کوچکی را در موقعیت‌ یابی محلی انجام می‌دهد، این خطا در اطلاعات خواندنی حسگر منطبق با آن بازتاب خواهد داشت. از آنجائیکه این نقشه شامل این اطلاعات خواندنی حسگر می‌باشد، چنین نقشه‌ای تا اندازه اندکی یکنواخت و جامعیت خود را از دست خواهد داد.

۵-۱-۳٫ بستار حلقه

به هنگامی ‌که خطای ناشی از دریفت در نقشه‌های بزرگ رخ می‌دهد، این احتمال وجود دارد که یک ربات، بدون آنکه قابلیت شناسایی مکان خاصی را بر روی نقشه داخلی خود داشته باشد، اقدام به بازدید مجدد از آن مکان نماید. این مشکل تحت عنوان بستار حلقه (شکل ۱) خوانده می‌شود.

۶-۱-۳٫ توزیع‌های باور 

همانگونه قبلا مشخص گردید موقعیت یک ربات مبتنی بر مسافت سنجی را می‌توان بصورت متعارف بوسیله توزیع باور  تشریح نمود. این توزیع باور تشریح کننده احتمال موقعیت کنونی ارزیابی شده به عنوان تابعی برمبنای موقعیت قبلی و عملکرد‌های کنونی می‌باشد. برآورد وضعیت بر مبنای مسافت سنجی  را می‌توان از طریق توزیع گاوسی با میانگین  و واریانس  تشریح نمود و به عنوان یک تابع مستقیم فاصله طی شده بوسیله ربات مدنظر داد. هر فاصله اضافه طی شده بوسیله ربات سبب افزایش عدم قطعیت اطلاعات با توجه به موقعیت حقیقی ربات خواهد شد. این مفهوم بوسیله شکل ۲ الف و شکل ۲ ب ، تشریح شده است.

۲-۳٫ فیلتر نمودن جزء

۱-۲-۳٫ اجزاء

یک روش مدل سازی توزیع‌های باور پیوسته که تشریح کننده احتمال موقعیت کنونی می‌باشند کاربرد فیلترهای جزء است. فیلترهای جزء اقدام به تبدیل توزیع باور پیوسته به یک تعداد ثابتی از برآوردهای موقعیت دقیق می‌نمایند که بر حسب احتمالات آنها توزیع می شود. از طریق ارائه اجزای چندگانه که معرف در برآوردهای موقعیت گسسته می باشند، دیگر نمی‌توان بیش از این چنین مشکلی را به عنوان مقایسه یک موقعیت ناشناخته برای داده‌های دارای نویز حسگر برشمرد. در مقابل تعدادی از موقعیت‌های برآورد شده به نظر درست می‌باشند و بنابر این با داده‌های حسگر دارای نویز مقایسه می شوند.

۲-۲-۳٫ انتشار

فیلتر تعمیم یافته کالمن (EKF)  که در قبل تشیکل شد مشخص کننده توزیع گاوسی می‌باشد. بنابراین، تاثیر آن نه تنها منوط به میزان عدم قطعیت می‌باشد، بلکه وابسته به میزانی است که برمبنای آن توابع تقریبی را می‌توان بوسیله توزیع گاوسی تشریح نمود. از آنجائیکه تابع گاوسی به عنوان یک تابع تک نمایی به شمار می‌آید که دارای یک ارزش مورد انتظار و برآورد انحراف مورد انتظار از مقدار مدنظر می‌باشد، مدل سازی مجموعه‌های باوری چند مدله کاری بسیار مشکل خواهد بود.

۳-۲-۳٫  FastSLAM 1.0

FastSLAM یک دیدگاه مبتنی بر نشانگر برای مشکل SLAM  می‌باشد که از یک فیلتر جزء استفاده می‌کند. الگوریتم fastSLAM در ابتدا بوسیله [Montemerlo , ۲۰۰۲]  پیشنهاد شد و سپس بوسیله [Montemerlo  و همکاران،  ۲۰۰۳] ارتقا یافت. این فصل تشریح کننده هر دوی این نگارش‌ها بصورت مختصر می‌باشد. برای اطلاعات بیشتر خوانندگان به [Thrun et al, ۲۰۰۳] رجوع نمایند.

۴-۲-۳٫  FastSLAM 2.0

این الگوریتم به عنوان یک الگوریتم ارتقاء‌ یافته از fastSLAM اصلی به شمار می‌آید. به منظور کاهش پیچیدگی این راه حل،‌ اجزای کمتری نمونه‌ برداری می‌شوند. ایجاد اجزای جدید بیش از این در بردارنده نمونه برداری بر مبنای سیستم مسافت سنجی و در پی آن انتخاب جزء بر مبنای ارزیابی اطلاعات خوانده شده حسگر نمی‌باشد. در مقابل، هر دوی توزیع‌های باور برای برآوردهای موقعیت  و برآورد وضعیت  با یکدیگر ترکیب شده تا آنکه توزیع پیشنهادی یکسانی را برای اجزای  بوجود آورند ( شکل ۵).

۵-۲-۳٫ درخت دودمان / شجره نامه

از آنجائیکه هر جزء در زمان t  تشریح کننده موقعیت در آن زمان x_t  بصورت متفاوت می‌باشد، تفسیرهای متعددی از این نظر وجود دارند. با این وجود، به منظور محدود ساختن پیچیدگی‌های محاسباتی، هر جزء حامل نقشه خود از جهان پیرامونی نخواهد بود. در مقابل،‌کلیه اجزای هویت گره اصلی خود را ذخیره نموده و وضعیت قبلی را در برابر جزء خاص تشریح می‌نمایند. بنابراین، وضعیت‌های منفرد که بوسیله هر گره جزء تشریح شده است را می‌توان به بهترین وجهی به عنوان یک مسیر،‌ به جای یک موقعیت یا یک نقشه سرراست،‌ در نظر گرفت. کلیه ارتباطات بین اجزای مختلف در درخت دودمان / شجره ذخیره می‌شود، جائیکه هر گره معرف یک جزء می‌باشد. مسیر این درخت جزء اصلی را تشیکل داده و برگها در انتهای دیگر جزء  اخیرترین اجزای مرتبط بشمار خواهند آمد.

۶-۲-۳٫ به هم پیوستگی

در هر زمان در طی وظایف SLAM، کلیه اجزای به سمت یک نقطه واحد به هم پیوسته یا دودمان مشترک جهت می‌یابند. هرس کردن موفق این درخت ممکن است سبب حرکت این نقطه به هم پیوسته در مسیر برگها، یا اجزای آن شود و سبب محدود سازی عمق درخت و از این رو طولانی شدن محاسباتی حاصل آمده به وسیله این الگوریتم شود.

۷-۲-۳٫ ربات واحد DP-SLAM

دیدگاه دوم در زمینه موقعیت‌یابی همزمان و مشکل نقشه‌ برداری جزء توزیعی یا  DP‐SLAM می‌باشد که در ابتدا بوسیله [Eliazar  وParr ،۲۰۰۳] پیشنهاد شد و سپس در مباحث DP‐SLAM ۲٫۰ [Eliazar  وPar ،۲۰۰۵] ارتقا یافت. بر خلاف fastSLAM، DP‐SLAM داده‌های حسگر متراکم، که بوسیله ره‌یاب محدوده لیزری در مقابل دیدگاه مبتنی برنشانگر مشخص شده است، را در نظر می‌گیرد.

۸-۲-۳٫ DP-SLAM 1.0

۱-۸-۲-۳٫ فیلتر جزء

همانند کلیه راه حل‌های SLAM، DP‐SLAM  موقعیت اولیه خود را به عنوان یک واقعیت زمینی در نظر گرفته و سعی خواهد نمود تا مشاهدات آتی را با این موقعیت نسبت دهد. به هنگامی‌که ربات حرکت می‌کند موقعیت جدید x_t آن را می‌توان بوسیله تابع احتمالی برمبنای مسافت سنجی u_i و موقعیت قبلی  x_t‐۱  تشریح نمود.

۲-۸-۲-۳٫ ارزیابی جزء

ارزیابی این اجزاء بر مبنای اطلاعات حسگر انجام می‌شوند. به هنگامی ‌که اقدام به ارزیابی اطلاعات حسگر با توجه به جزء خاص می‌شود، تعداد مشاهدات در زمینه محیط را می‌توان حاصل نمود. این مورد را می‌توان با نقشه ای مقایسه کرد که حاوی باورهای کنونی در زمینه محیط می‌باشد،‌ به گونه‌ای که تفاوت بین اطلاعات ادراکی و مورد انتظار را بتوان محاسبه نمود. به هنگامی‌که اقدام به ترکیب این تفاوتها برای کلیه اطلاعات حسگر می‌شود، یک برآورد برای احتمال مورد نیاز خواهد بود. [Eliazar  و Par ، ۲۰۰۳] به ما نشان می‌دهند که چگونه این برآورد احتمال را می‌توان بطور رسمی ‌به شرح ذیل نشان داد:

۳-۸-۲-۳٫ ارائه نقشه

از آنجائیکه هر جزء تشریح کننده موقعیت ربات به صورت مختلف می‌باشد، ارائه نقشه جهان که با توجه به این موقعیت ایجاد شده است بین اجزای این سیستم مختلف خواهد بود. به عبارت دیگر، هر جزء فرضیه‌های خاص خود را در خصوص جهان پیرامونی خواهد داشت که براساس فرضیه‌های ایجادی بوسیله دودمان یا نسل های قبلی و همچنین فرضیه خود در خصوص جهش موقعیت از گره والدین می‌باشد.

۴-۸-۲-۳٫ درخت دودمان/ شجره کمینه

به منظور محدود کردن پیچیدگی محاسباتی، درخت دودمان بوسیله DP‐SLAM تامین گردیده است در هر چرخه آپدیت به گونه‌ای هرس می‌شود که قابلیت تشریح یک درخت دودمان حداقلی/ کمینه را داشته باشد. یک درخت دودمان کمینه بواسطه سه ویژگی تشریح می‌گردد که به میزان زیادی قابلیت کاهش تاثیر تعداد اجزا بر روی محدودیتهای محاسباتی این الگوریتم را خواهد داشت.

۹-۲-۳٫ DP‐SLAM ارتقاء‌ یافته

از آنجائیکه DP‐SLAM در ابتدا پیشنهاد شد،‌ چندین روال ارتقا یافته درباره آن ایجاد شده است. اولین مورد، DP‐SLAM 2.0 سبب ارتقای سلولهای گرید و آپدیت آنها درDP‐SLAM  شده است. به طور اصلی، هر سلول گرید در این  نقشه یا به صورت اشغال شده یا به صورت آزاد تلقی می‌گردد. یکی از تغییرات در مقایسه با الگوریتم اصلی اضافه نمودن یک برآورد شفافیت برای هر سلول گریدی می‌باشد که احتمال آنکه این سلول اشغال شده است را مشخص می‌سازد، پس از معرفی DP‐SLAM 2.0 ، یک روتین برای نقشه ‌برداری سطح بالا به منظور مقابله با تاثیرات انباشتگی در سطوح بالاتر نقشه‌ برداری اضافه گردید.

۱-۹-۲-۳٫ مدل مشاهده ارتقاء‌ یافته

به هنگام برآورد احتمال تشخیص لیزری یک شیء در فاصله مشخص، احتمال آنکه این لیزر قبل از آنکه بدان شیء خاص دست یابد متوقف شود را می‌بایست به حساب آورد. از آنجائیکه سلولهای گرید یا به صورت اشغال شده یا بصورت غیر اشغال شده در اجراهای DP‐SLAM اصلی هستند، چنین موردی باعث بروز مشکل نخواهد شد. معرفی یک برآورد شفافیت  برای هر سلول در DP‐SLAM 2.0 ، تشریح  کننده احتمال این مسئله است که این سلول به عنوان یک سلول اشغال شده ارسال شده است و علاوه بر این مشخص کننده نیاز یک مدل حسگر به روزرسانی شده خواهد بود.

۲-۹-۲-۳٫ نقشه ‌برداری سطح بالا

 به منظور مقابله بهتر با تاثیرات انباشتگی، اخیرترین رویه‌های ارتقاء‌ برای الگوریتم DP-SLAM مشخص کننده نقشه‌های دارای سطح بالاتر می‌باشد که در بردارنده مشکل انباشتگی در سطح بالاتر است. این مشکل در یک سطح پایین بواسطه آنکه اختلالات بوجود آمده آنقدر کوچک هستند که توجه خاصی به آنها نمی‌شود رخ می‌دهد و از این طریق سبب ایجاد اطلاعات نادرستی برای حسگر ربات و همچنین سیستم مسافت یاب خواهد شد.

۳-۲-۹-۳٫ پیچیدگی

به منظور اعمال وظیفه SLAM  بر روی ربات‌های حقیقی،‌ یک الگوریتم SLAM می‌بایست قابلیت اجرا در زمان واقعی را داشته باشد. بواسطه آن که کامپیوترهای مختلف دارای قابلیت‌های محاسباتی مختلفی نیز می‌باشند، راهکارهایی برای مقایسه راه حل‌های محاسباتی نظیر SLAM، غالبا از طریق پیچیدگی محاسباتی آنها، تشریح می‌شوند که خود بردارنده ارتباط بین میزان ورودی برای الگوریتم و مراحل  محاسباتی مورد نیاز بوسیله الگوریتم می‌باشد.

۱۰-۲-۳٫ تکرار رئوس مطالب

به منظور خلاصه سازی، جدول ذیل نشان دهنده کلیه چهار روش تشریح شده در این فصل می‌باشد.

هوش مصنوعی رباتیک موقعیت یابی و نقشه برداری

۴- ارتقای برآورد موقعیت

 ۱-۴٫ ربات DP-SLAM دو تایی

 ۱-۱-۴٫ مقدمه

ربات دوتایی SLAM به عنوان یک تکنیک نقشه‌ برداری ناحیه ناشناخته بوسیله دو ربات به شمار می‌آید. مزیت اصلی سیستم چند رباتی بررسی یک سطح، در مقابل استفاده از یک ربات واحد افزایش سرعت بررسی و اکتشاف است. سرعت برای بسیاری از کاربردهای SLAM، نظیر جستجوی مناطق مشکل آفرین برای سوپروایزرها یا بررسی و دیدبانی نواحی خطرناک دیگر، یکی از مسایل مدنظر خواهد بود. یک مشکل اصلی در گسترش دیدگاه SLAM ربات واحد به یک دیدگاه ربات متعدد مسئله ترکیب نقشه می‌باشد. این مشکل ناشی از مسایل مرتبط با خواندن اطلاعات حسگر ربات‌های مختلف و ترکیب آنها به یک اطلاعات واحد خواهد بود.

۲-۱-۴٫ ترکیب نقشه

ترکیب یا ادغام نقشه یکی از مسائل مهم گسترش هر گونه راه حل SLAM تک عامله به یک راه حل SLAM چند عامله به شمار می‌آید. این بخش اقدام به تشریح فرآیند اطلاعات آمیختگی بین دو ربات نموده و در نظر می‌گیرد که هر دو موقعیت نسبی شناخته شده هستند و یک خط ارتباطی بین این دو ربات برقرار شده است. فرآیند شناسایی ربات‌های دیگر در این مقاله مورد بررسی قرار نمی‌گیرد و بنابر این خوانندگان علاقه مند باید به  … رجوع کنند.

۱-۲-۱-۴٫ درآمیختگی یا ترکیب برآوردهای موقعیت ربات

به منظور افزایش برآورد موقعیت ربات کنونی با استفاده از مشاهده ربات دیگر،‌ ایده استفاده شده قبلی در این تز را می‌بایست گسترش داد. در ابتدا،‌ یک موقعیت ربات در زمان t را باید  بوسیله  دستورات موتور  در زمان t و بوسیله  مشخص ساخت و اطلاعات خواندنی حسگر در زمان t را به وسیله  تعیین کرد. این ایده هم اکنون با گسترش یافته و در بردارنده مشاهده ربات j  بوسیله ربات i می‌باشد. به علاوه، از آنجائیکه سیستم های چند رباتی  مورد بررسی قرار می‌گیرند،‌ کلیه متغیرها بوسیله شاخص زیرنویس تعیین می‌گردند که معرف نوع متغیری است که متعلق به آن ربات خاص است. بنابراین  برای ربات i به  تبدیل شده و  برای ربات i به  تبدیل گردیده و نهایتا  برای ربات i  به  تبدیل می‌شود.

۲-۲-۱-۴ مدل مشاهداتی

عبارت  به عنوان احتمال مشاهده ربات j  بوسیله ربات i با توجه به فرض آنکه موقعیت ربات  و  صحیح باشند اشاره دارد (شکل۹). بنابراین، این موضوع تنها به عنوان یک برآورد برای مشخص سازی عدم صحت  کارکرد متناسب ابزاره مسئول مشاهده ربات دیگر می‌باشد که غالبا بوسیله یک مبنای ترکیبی مرجع نظیر کد رنگ یا نوع بازتاب تعیین می‌گردد. با فرض این ابزاره،‌ همانند غالب حسگرها، می‌توان توزیع خطای گاوسی را به شرح ذیل بیان داشت :‌

۳-۲-۱-۴٫ ادغام برآوردهای موقعیت در DP-SLAM

DP‐SLAM تسهیلاتی را در زمینه بازیابی از حالت انباشتگی مسایل مشکل آفرین از طریق الگوریتم نقشه ‌برداری سطح بالا ارائه می‌دهد. این الگوریتم کل نقشه‌ها را برمبنای خطای انباشته فرضی ترسیم نموده که برمبنای آن می‌توان اقدام به اضافه نمودن مشاهداتی برای بقیه نقشه نمود.

۴-۲-۱-۴٫ برخوردهای ربات

یک تمایز غالبا به هنگامی‌ مشخص می‌گردد که موقعیت اولیه به صورت شناخته شده یا شناخته نشده باشد. این تز بر روی چنین موردی تاکید نداشته اما در مقابل از تکنیکهای مختلف برای ترکیب نقشه برمبنای میزان درک مشترک بین این دو ربات‌ها بهره می جوید. در صورتیکه دو ربات مربوطه در زمان اولیه با یکدیگر برخورد نمایند،‌ هیچ گونه دانش مشترکی به غیر از همین برخورد موجود نخواهد بود. این امر سبب خواهد شد تا دیدگاه مطلوب در زمینه ادغام نقشه به طور متمایزی متفاوت از سناریوی مدنظر باشد که در آن ربات‌ها قبلا با یکدیگر برخورد داشته اند.

۳-۱-۴٫ نقشه ‌برداری متمرکز در برابر نقشه‌ برداری غیر متمرکز

 به هنگامی ‌که دو ربات اقدام به اشتراک گذاری نقشه‌های خود می‌نمایند،‌ تصمیمی را  باید با توجه به ذخیره سازی اطلاعات ترکیب شده در نظر گرفت. به واسطه آن که کلیه اطلاعات هردوی ربات‌ها با هم ادغام می‌گردند،‌ و هر دو در یک نقشه قرار می‌گیرند، یک تصمیم ظاهرا منطقی ذخیره سازی ساختار درختی است که حاوی کلیه اطلاعات نقشه در یک محل مرکزی می‌باشد. به هنگامی ‌که هر ربات هم اکنون اقدام به خواندن اطلاعات اضافی حسگر می‌نماید، چنین موردی را می‌توان به نقشه مرکزی اضافه ساخت.

۴-۱-۴٫ ترکیب موقعیت‌ها در سیستم‌های جزء چند رباتی

در طی یک برخورد بین دو ربات، برآوردهای موقعیت اولیه هردوی رباتها می‌بایست بصورت اشتراکی حاصل شود. به واسطه آنکه از فیلترهای جزء استفاده می‌شود، این عمل را می‌توان از طریق برقراری ارتباط کلیه اجزاء انجام داد که تشریح کننده موقعیت ارسال ربات با یکدیگر می‌باشند.

۵-۱-۴٫ هرس کردن

 به منظور نگهداری هر یک از درختان دودمان ربات‌ها بصورت حداقلی یا کمینه، تنها مشاهدات جزء و هویت جزء مشاهده شده در هر جزء مشاهداتی اضافه خواهد شد. بنابراین، ساختار حقیقی گره درخت دودمان تغییری با الگوریتم اصلی DP‐SLAM  نخواهد داشت.

۲-۴٫ DP-SLAM چند رباتی

خوانندگان به این نکته توجه دارند که این دیدگاه تنها بر روی راه حل SLAM دو رباته تمرکز دارد. به واسطه، یک برخورد متعاقب،‌ یک ربات می‌‌بایست قابلیت پیگیری و کنترل جزء ‌مشاهده شده را داشته باشد، البته این جزء‌ را نمی‌توان بدون آنکه برنامه با مشکلاتی مواجه شود هرس نمود،‌ با این حال، به هنگام تلاقی با دیگر ربات‌ها روتین سطح بالا اجرا خواهد شد. اجرای روتین سطح بالا همچنین دربردارنده رویه اجرایی فرآیند هرس کردن نیز می‌باشد تا آنکه عملیات محاسباتی امکان پذیر گردد.

۳-۴٫ ارتباطات

۱-۳-۴٫ دقت افزایش یافته

 به هنگامی ‌که دو ربات یکدیگر را ملاقات می‌کنند،‌ دقت پیشنهادی افزایش یافته  در مورد  برآوردهای موقعیت‌های واحد را می‌توان تنها به هنگامی‌حاصل آورد که ارتباطات کافی بین دو ربات به اشتراک گذاشته شده وجود داشته باشد. در معادله ۲۸) احتمال یک موقعیت پس از یک برخورد تحت عنوان  فرمول بندی شده است که تشریح کننده موقعیت ربات  iبا توجه به (کمبود) مشاهدات ربات‌های دیگر است. به هنگامی ‌که در نظر بگیریم که دایره دید یک ربات واحد i با ربات j  دیگری برخورد داشته باشد، برآورد موقعیت احتمال  و مشاهده ربات دیگر   قبلا برای i شناخته شده است. بر این مبنا تنها مورد قابل تبادل برآوردهای موقعیت ربات دیگر ، احتمال برای هر برآورد موقعیت  و مشاهده ربات i بوسیله ربات j،  خواهد بود. این امر را می‌بایست در هربرآورد موقعیت رباتی بوسیله رباتj انجام داد تا آنکه میزان اطلاعات تبادلی وابسته به میزان اطلاعات حاصله از طریق ربات j مشخص شود.

۲-۳-۴٫ در هم آمیختگی نقشه

میزان دانش شامل شده به وسیله هر دوی این ربات‌ها را می‌توان از طریق ادغام نقشه‌های این دو ربات افزایش داد. به منظور ادغام توام با موفقیت نقشه‌ها، برآورد موقعیت و تبادل ساده آنها به تنهایی کافی نخواهد بود. از آنجائیکه هدف این تز اثبات دیدگاه برآورد موقعیت ارتقاء‌ یافته به جای ادغام نقشه می‌باشد، رفتار ادغام نقشه مدل سازی نخواهد شد. با این وجود ضمیمه  ۲ در این مبحث تشریح کننده DP‐SLAM  و رفتار اجرایی آن می باشد.

۵- رویه استقرار تجربی

 به منظور تست الگوریتم پیشنهادی، یک رویه آزمایشی مورد نیاز می‌باشد، در این مورد ربات‌ها با استفاده از نگارش تصحیح شده DP‐SLAM در شبیه سازی اجرا می‌گردند. این فصل تشریح کننده ساختار نرم افزار  DP‐SLAM اصلی و رویه‌های اصلاح کاربردی می‌باشد تا آنکه اجازه داده شود تا سناریوهای ربات متعدد و راه حل‌های زمان واقعی اعمال گردند. در وهله بعد، محیط شبیه سازی مورد استفاده در طی این آزمایشات تشریح خواهد شد.

۱-۵٫  DP-SLAM

کد اصلی DP‐SLAM  همانگونه که بوسیله Eliazar  و Parr  به آَدرس اینترنتی (www.cs.duke.edu/~parr/dpslam , www.openslam.org) تشریح شده است قبلا عرضه کننده قابلیتهای SLAM کامل بوده است. به علاوه، الگوریتم SLAM سطح بالا که قبلا تشریح شده است نیز به طور کامل پیاده سازی گردیده است. با این وجود، نرم افزار فراهم شده در C پیاده شده است و هدف از آن حاصل آوردن یک دیدگاه تک رباتی می‌باشد. در این دیدگاه، کلیه توابع، ثابتها و متغیرها بصورت کلی تعریف می‌شوند. بنابراین، این دیدگاه برای مبحث چند رباتی متناسب نخواهد بود.

۱-۱-۵٫  DP-SLAM اصلی / اولیه

۱-۱-۱-۵٫ روتین LowSlam

 به منظور ایجاد نقشه از اطلاعات خواندنی محیطی حسگر، روتین LowSlam مورد استفاده قرار می‌گیرد. این روتین در ابتدا اقدام به آغاز نمودن نقشه می‌نماید. از آنجائیکه هیچ چیزی جهت محلی سازی موقعیت در ابتدا وجود ندارد، اولین نقاط دیتا یا داده به یک نقشه ای که قبلا خالی شده است اضافه می‌گردد. در وهله بعد، این برنامه یک لوپ شرطی While را اضافه می‌نماید که تکرار کننده چهار رویه می‌باشد. پس از آن اطلاعات مسافت سنجی و اطلاعات حسگری اضافه می‌شود، سپس روتین محلی سازی فرا خوانده شده و درخت دودمان آپدیت گردیده و در نهایت به روتین کلی اضافه شده و سیستم شروع به کار می‌نماید.

۲-۱-۱-۵٫ مسیر HighSlam

 پس از تکمیل موفقیت آمیز یک روتین  LowSlam، محتمل ترین جزء بر روی مسیرHighSlam در امتداد ریشه اجدادی کلی خود عبور داده می‌شود. در اینجا، فرآیند مشابهی که بوسیله روتین LowSlam بر روی اطلاعات حسگری انجام شده است هم اکنون به وسیله روتین HighSlam بر روی نتایج روتین LowSlam اعمال می شود.

۲-۱-۵٫ اصلاحات

هماهنگونه که قبلا بیان شد، الگوریتم DP‐SLAM اصلی اصلاح گردیده تا آنکه اجازه داده شود تا سناریوهای چندرباتی و راه حلهای زمان واقعی اعمال گردند. اصلاحات انجامی ‌برای کد اصلی را می‌توان در ضمیمه یافت.

۲-۵٫ شبیه سازی

 هماهنگونه که قبلا ذکر شد، راه حل پیشنهادی به طور کامل در بخش شبیه سازی اجرا می‌شود. برای این شبیه سازی،‌ رابط ابزار ربات بازیگر جهت مدل سازی ربات به کار گرفته می‌شود. شبیه ساز چند رباتی نیز جهت مدل سازی محیطی مورد استفاده قرار می‌گیرد. هر دوی این موارد را می‌توان در آدرس اینترنتی  …  که بوسیله ] HowardGerkry,Vaughan [2003  تشریح شده اند.

۱-۲-۵٫ بازیگر

 رابط ابزاره ربات بازیگر و سرور به عنوان یک پروژه نرم افزاری مجانی مطرح  هستند که تحت لیسانس  GNU Public License انتشار یافته اند. این سیستم فراهم آورنده یک رابط بین کنترل ربات و حسگرها و محرک‌ها می‌باشد. ارتباط بین این دو لایه‌ها از طریق سوکت‌های TCP  انجام می‌گیرد تا آنکه قابلیت اعمال مستقل زبان برنامه کنترلی و پلتفرم مستقل وجود داشته باشد.           

۲-۲-۵٫ مرحله

 شبیه ساز ربات متعدد مرحله ای اقدام به شبیه سازی یک محیط دو بعدی می‌نماید که در آن جمعیت ربات‌های موبایل را می‌توان مدل سازی نمود. این مرحله غالبا در ترکیب با یک ماژول اتصال بازیگر انجام می‌گردد.

۳-۲-۵٫ محیط

 محیطی که بر روی آن راه  حل پیشنهادی تست می‌شود. یک محیط دفتری در ساختمان TNO در Hague است که شامل دو کوریدور مستطیلی حلقوی شکل با کرانه هایی به طول ۳۰ و ۶۰ متر می‌باشد (شکل۱۲).

۶- روش

 این فصل روش شناسی استفاده شده و مسایل روبرو شده در طی این تز را مورد بررسی قرار می‌دهد. این فصل را می‌توان به دو بخش مجزا تقسیم نمود که اولین بخش تشریح کننده حالتی است که در آن کد اصلی را می‌توان برای یک دیدگاه پشتیبانی چند رباته منطبق نمود. بخش دوم تشریح کننده ارتباطات روشی می‌باشد که منجر به ارتقای ارزیابی موقعیت ربات ها خواهد شد.

۱-۶٫ دیدگاه چند رباتی

به هنگامی‌که تلاش می‌شود به یک راه حل SLAM چند رباته دست یابیم DP‐SLAM کفایت نخواهد داشت. در بین رویه ‌های مورد پذیرش الزامی‌، یک انتخاب طراحی مهم را باید انجام داد. این رباتها قابلیت اجرای فرآیندهای مجزا را داشته و بعدا می‌توانند از طریق سوکت ‌ها با یکدیگر ارتباط برقرار نموده و یا آنکه به عنوان رشته‌هایی با برقراری ارتباطات، چنین سیستم‌هایی را پیاده سازی نمود.

۲-۶٫ ارتقای موقعیت

 به هنگامی ‌که اقدام به متناسب سازی راه حل اصلاح شده برای ارتقای موقعیت از طریق ارتباطات می‌نماییم،‌ لازم است تا چندین مسئله را مد نظر قراردهیم. در ابتدا،‌ یک انتخاب مرحله را می‌بایست با توجه به مکانیزم ارتقای موقعیت در نظر گرفت. دوما، نقشه‌های سطح پایین از کیفیت مطلوب و نهایی برخوردار نیستند،‌ در مقابل، نقشه‌های تولیدی به وسیله الگوریتم‌های سطوح بالاتر نیز نیازمند وجود تعدیلات زیادی در پارامترها به منظور تولید نتایج مطلوب می باشند. این سه مسئله در بخشهای ذیل مطرح خواهند شد.

۱-۲-۶٫ مکانیزم ارتقای موقعیت

یک مکانیزم مناسب برای ارتقای موقعیت در زمینه ارتباطات شامل پیاده سازی یک لایه اضافی به برنامه موجود می‌باشد تا آنکه قابلیت تصحیح بازگشتی مسیر سیر شده وجود داشته باشد. بواسطه محدودیت‌های زمانی، چنین موردی پیاده نخواهد شد. در عوض، لایه سطح بالای موجود به منظور تحت پوشش قرار دادن این وضعیت اتخاذ خواهد شد.

۲-۲-۶٫ اصلاح‌ های سطح پایین

همانگونه که در بخش قبلی ذکر شد، روتین lowSLAM برای دوره ‌های طویل المدت زمانی استفاده می‌شود. از آنجائیکه این لایه تنها برای نقشه‌های کوچک با موقعیت محلی و صحیح کاربرد دارد،‌ به جای نقشه‌های کلی و بزرگتر، ممکن است با خطاهای بزرگتری نیز در آن روبرو شویم.

۳-۲-۶٫ اصلاح‌ های سطح بالا

پس از انجام برخی از آزمایشات اولیه، گوناگونی جزء این راه حل به نظر به سرعت تنزل یافته است. این همبستگی کم عمق به صورت یک مبحث مشخص در زمینه دقت سیستم حسگری تعبیر می‌شود. چنین موردی را می‌توان با افزایش انحراف تابع گاوسی که معرف مدل حسگر می‌باشد تصحیح نمود. از طریق افزایش این انحراف، منحنی گاوسی معرف احتمالات حسگر به صورت گسترده تری بوده و اجازه مقادیر ارزیابی بالاتر برآوردهای متعاقب از مقادیر مدنظر، مطابق با شکل ۱۴ را خواهد داد. این برآورد سبب کاهش پیوستگی سیستم حسگری خواهد شد.

 ۷- نتایج

 به منظور نمایش کیفیت کد اتخاذی،‌ شکل ۱۶ نشان دهنده نتایج نقشه یک رویه اجرایی بوسیله ربات منفرد در ساختمان TNO واقع در   Hagueمی‌باشد. این سیستم تشریح کننده کیفیت راه حل پیشنهادی می‌باشد (که همچنین از سناریوهای چند رباته نیز پشتیبانی می‌کند). ناحیه تشریح شده بوسیله ربات به عنوان ناحیه ای مطرح است که دارای صدها متر سالن یا کریدور با جزئیات ۵ سانتی متری می‌باشد.

۱-۷٫ جزئیات یا روند نصب اولیه

 نصب اولیه که برای این رویه آزمایشی به کار گرفته شد در شکل ۱۷ نشان داده شده است. به واسطه مقیاس کوچک این مجموعه اولیه، واریانس جزء به صورت محدود باقی می‌ماند. چنین امری منجر به بروز موقعیتی می‌شود که در آن جزء دارای بالاترین واریانس همچنین به عنوان جزئی تلقی می‌شود که موقعیت جاری را به بهترین وجه تشریح می‌نماید. بنابراین، ارتباطات قابلیت افزایش برآورد موقعیت را نخواهد داشت.

۲-۷٫ محیط بزرگ

 به هنگامی ‌که سعی در اجرای الگوریتم در یک محیط بزرگتر می‌شود،‌ نتایج دارای سازگاری بیشتری می‌باشند. تقریبا در هر اجرا، نقشه ارتقا یافته دارای کیفیت بهتری در مقایسه با نقشه تولیدی قبلی در مبحث ارتباطات می‌باشد. یک مثال متعارف ارتقاء در ذیل آمده است. با این وجود،‌ از آنجائیکه این رویه‌های ارتقا از مقیاس کوچکی برخوردار می‌باشند‌، یک جعبه مستطیلی در نقشه ایجادی ترسیم شده است تا آنکه امر ارزیابی این تفاوت مشخص گردد. همانگونه که می‌توان در نقشه ارتقا یافته دید، دو دیواره مخالف که در حقیقت به صورت موازی هستند به میزان اندکی، از انحراف زاویه ۸ درجه به زاویه ۶ درجه که مشخصه یک زاویه مطلوب است، تصحیح شده اند.

۳-۷٫ توزیع جزء

 به هنگام ارزیابی توزیع جزء، شکل ۲۰ نشان دهنده جهش‌های متعارف در توزیع جزء پس از بکارگیری الگوریتم ارتقای جهت یا موقعیت پیشنهادی می‌باشد. سطح x و y نشان دهنده دو موقعیت ابعادی هر جزء می‌باشند. سطح Z معرف احتمال هر جزء است. نقاط قرمز معرف توزیع جزء قبل از ارتقای موقعیت است. اجزای آبی معرف توزیع جزء پس از ارتقای موقعیت می‌باشند.

هوش مصنوعی رباتیک موقعیت یابی و نقشه برداری

۸- مباحث و تحقیقات آتی

 هدف از این تز ارائه یک رویه اثباتی در زمینه مفهوم رویه ارتقای ارزیابی موقعیت SLAM چند رباتی از طریق ارتباطات می‌باشد. این سیستم که در طی تز جاری توسعه یافته است معرف وجود ارتقا برای نقشه‌های تولیدی (نقشه ای که متعلق به محتمل ترین جزء خواهد بود) است، که پس از اعمال تقریبا هر نوع آزمایشی، که سبب ایجاد درک ارتقای برآورد موقعیت SLAM چند رباتی شده است، حاصل آمده و به عنوان یک گزینه آشکار برای تحقیقات آتی مدنظر خواهد بود. به علاوه،‌ تنوع جزء پس از آنکه سیستم های چند رباتی  با یکدیگر برخورد داشته با تنزل روبرو  شده که خود تشریح کننده افزایش قطعیت موقعیت ربات خواهد بود. این مبحث در فصل ۱-۸ بحث شد.

با این حال، ارتقاهای ایجاد شده بوسیله این سیستم، همانگونه که می‌توان در بخش نتایج مشاهده نمود، بسیار اندک بوده است. دلیل این امر عمدتا بواسطه تنوع جزء محدود می‌باشد که بوسیله ربات‌های منفرد حمل می‌گردند. فصل ۲-۸ اقدام به بحث دلیل حصول ارتقا‌‌های محدود نموده و راه حل‌های بالقوه جهت فائق آمدن به این مشکلات را عرضه می‌دارد.

فصل ۳-۸ پس از آن این مسئله را به بحث می‌گذارد که چگونه این راه حل‌ها را می‌توان به منظور مقایسه راه حل‌های مختلف با یکدیگر مورد ارزیایی قرار داد و فصل ۴-۸ نیز پیشنهادات متعاقب برای تحقیقات آتی را ارائه خواهد نمود.     

۱-۸٫ افزایش قطعیت

متعاقب هر برخورد،‌ احتمال جزء به روشی تغییر می‌نماید که تنوع جزء پس از یک برخورد به میزان قابل توجهی، در مقایسه با تنوع جزء قبل از برخورد، با افت روبرو می‌شود ( شکل ۲۰،‌۲۱و ۲۲). این تاثیر نشان دهنده قطعیت ارتقاء یافته موقعیت مشخصه می‌باشد و تشریح کننده کلیه فرضیه‌ها در زمینه موقعیت هایی است که نزدیک به یکدیگر قرار گرفته اند. این تاثیر، برای توزیع‌های واریانس‌های جزء بزرگ، در مقایسه با توزیع های واریانس‌های جزء کوچک، به نظر بزرگتر می‌باشد.

نتیجه معرف بهره محاسباتی بالقوه ای است که این دیدگاه آن را حاصل کرده است. کاهش تنوع جزء در بردارنده آن است که کلیه فرضیه‌ها در زمینه موقعیت جاری با یکدیگر نزدیک تر می باشند، به عبارت دیگر، این ربات از قطعیت بالاتری در زمینه موقعیت جاری برخوردار است. این امر همچنین مؤکد آن است که موقعیت جاری را می‌توان به وسیله اجزای کمتری مدل سازی نموده و به الگوریتم اجازه داد تا اجزای کمتری را ذخیره ساخته و از این رو بار محاسباتی کمتری را تحمیل می نماید.

۲-۸٫ تنوع جزء محدود

همانگونه که بیان شد، ارتقاهای موقعیت ایجادی نشان دهنده پیشرفت های بزرگ برای نقشه‌های تولید شده نمی‌باشند. این امر در زمینه مشکل همگرایی نابهنگام توصیف شده است. پس از سیر یک مسیر مشخص، فرضیه حاصل شده به وسیله ربات دارای تفاوت کافی جهت حاصل آوردن ارتقا ‌های بیشتر نمی باشد. با وجود آن که همگرایی جزء نابهنگام در مبحث استفاده از فیلترهای جزء ذاتی است، دیدگاه کلی جهت کاهش مشکل را باید در افزایش تعداد اجزای ذخیره شده جستجو کرد.

۳-۸٫ نقشه‌های ارتقاء یافته

با وجود آنکه کلیه تعدیلها برای نقشه ایجادی ارتقا یافته اند، یک برآورد عینی مکفی جهت تشریح این رویه‌های ارتقاء را به سختی می‌توان یافت. به منظور حاصل آوردن یک نتیجه مطلوب و تعیین چند و چون آن، نقشه‌های ایجادی قبل و بعد از برقراری ارتباطات بین ربات‌ها را می‌بایست به صورت عینی با نقشه های حقیقی مقایسه نمود. این امر را می توان از طریق برآورد تفاوت در زاویه بین نواحی خاص در نقشه تولیدی با نواحی منطبق با آن در نقشه حقیقی، دنبال نمود.

۴-۸- تحقیقات آتی

یک موضوع قابل توجه برای تحقیقات آینده ارزیابی این احتمال می‌باشد که موقعیت صحیح همچنان به وسیله توزیع جزء تشریح می‌گردد. بصورت تقریبی این احتمال را می‌توان بر مبنای فاصله سیر شده و همبستگی جزء به دست آورد. این احتمال را همچنین می‌توان جهت ارتقای برآوردهای موقعیت مشترک پس از ارتباطات حاصله در زمینه برآوردهای موقعیت واحد بدست آورد.

۹- ضمیمه ۱،‌ اصلاحات

 اولین رویه انطباقی مورد نیاز ارائه کلاسهایی در این الگوریتم می‌باشد، به گونه ای که شیء‌ های مختلف و متعدد ربات قابلیت اعمال وظایف SLAM خود، بصورت مستقل بدون به اشتراک گذاری متغیرهای عمومی،‌ را داشته باشند،  اما در مقابل هرکدام از آنها می‌توانند اجزای داده ای خود را حمل کنند. این تصحیح همچنین گسترش الگوریتم به زبان   ++C را در نظر می‌گیرد چرا که زبان C کنونی از ساختار کلاس گسترش یافته پشتیبانی نمی‌نماید.

۱۰- ضمیمه۲ ترکیب نقشه در  SLAM–DP

در SLAM–DP، اطلاعات در یک سلول گرید در داخل شبکه سکنی و در داخل یک گره در درخت دودمان/ شجره ذخیره می‌گردد. اولین مورد حاوی لیستی است که اطلاعات کلیه اجزاء که اقدام به جایگزین نمودن آن سلول گرید خاص می‌نمایند و همچنین محتوایات این چنین جایگزین‌ها را پیگیری می‌ کنند را شامل می باشد. مورد دومی ‌شامل اطلاعاتی در زمینه گره در داخل درخت دودمان است و اطلاعات سلولهای گریدی را نگه می‌دارد که جایگزین شده اند.

۱-۱۰٫ رفتار مورد انتظار

میزان اطلاعاتی که می‌بایست بدین روش به اشتراک گذاشته شود قابل توجه خواهد بود، چرا که برای هر ربات، وبرای هرجزء، مجموع نقشه را باید به اشتراک گذاشت. این مقدار را می‌توان در ابتدا از طریق برقراری ارتباطات برآوردی موقعیت مشخص کرد. به هنگامی ‌که این برآوردهای موقعیت را برمبنای  ارزیابی می‌کنیم،‌ دقیقا پس از اجرای برنامه ۱،‌ تعدادی از جفت‌های جزء را می‌توان جمع آوری نمود،‌ همانند موردیکه به وسیله الگوریتم    fastSLAM  ۲٫۰ انجام می‌شود.   [Montemerlo و همکاران، ۲۰۰۳ ]. چنین امری منجر به میزان کاهش یافته اطلاعاتی می‌شود که می‌بایست آنها را به دیگر ربات‌ها مخابره نمود.

۲-۱۰٫ ساختارهای داده

 به منظور محاسبه، موقعیت هرجزء و احتمال آن را می‌بایست مورد ارزیابی قرار داد. این موضوع را تنها می‌توان پس از برقراری ارتباط و مخابره کپی آن جزء انجام داد. فرمت داده اجزای واحد به شرح ذیل می‌باشد: