موقعیت یابی و نقشه برداری همزمان ( SLAM) چند رباتی

موقعیت یابی و نقشه برداری همزمان ( SLAM) چند رباتی- هوش مصنوعی – ایران ترجمه – Irantarjomeh

 

مقالات ترجمه شده آماده گروه کامپیوتر

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات رایگان

مطالعه 20 الی 100% رایگان مقالات ترجمه شده

1- قابلیت مطالعه رایگان 20 الی 100 درصدی مقالات 2- قابلیت سفارش فایل های این ترجمه با قیمتی مناسب مشتمل بر 3 فایل: pdf انگیسی و فارسی مقاله همراه با msword فارسی -- تذکر: برای استفاده گسترده تر کاربران گرامی از مقالات آماده ترجمه شده، قیمت خرید این مقالات بسیار کمتر از قیمت سفارش ترجمه می باشد.  

چگونگی سفارش

الف – پرداخت وجه بحساب وب سایت ایران ترجمه (شماره حساب) ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.com شامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر -- مقالات آماده سفارش داده شده عرفا در زمان اندک یا حداکثر ظرف مدت چند ساعت به ایمیل شما ارسال خواهند شد. در صورت نیاز فوری از طریق اس ام اس اطلاع دهید.

www.irantarjomeh.com

موقعیت یابی و نقشه برداری همزمان ( SLAM) چند رباتی

شماره	99
کد مقاله	COM99
مترجم	گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی	موقعیت یابی و نقشه برداری همزمان ( SLAM) چند رباتی- ارتقای ارزیابی موقعیت ربات – تز هوش مصنوعی
نام انگلیسی	Multi Robot SLAM Pose Estimate Enhancement – Master’s thesis Artificial Intelligence
تعداد صفحه به فارسی	134
تعداد صفحه به انگلیسی	66
کلمات کلیدی به فارسی	موقعیتیابی،  نقشه بردای،  SLAM چند رباتی، هوش مصنوعی، ربات
کلمات کلیدی به انگلیسی	Multi Robot SLAM,  Pose Estimate Enhancement, Artificial Intelligence, Robot
مرجع به فارسی	هرنیک جان کواسلگ
مرجع به انگلیسی	Henrik Johan Koeslag
سال	2007
کشور	ایالات متحده

موقعیت یابی و نقشه برداری همزمان ( SLAM) چند رباتی

 

موقعیت‌یابی و نقشه بردای همزمان ( SLAM) چند رباتی

ارتقای ارزیابی موقعیت ربات

تز هوش مصنوعی

1- فهرست مطالب

2- مقدمه

1- 2. مشكل SLAM

2-2. SLAM نشان محور (نشانگر)

3-2. SLAM غیر نشان گر

4- 2. SLAM چند رباتی

5-2. مدل پیشنهادی

3. سابقه تئوریكی

1-3. SLAM

1-1-3. زنجیر ماركوف (Markov chain)

2-1-3. ارزیابی موقعیت

3-1-3. داده‌های حسگر

4-1-3. دریفت

5-1-3. بستار حلقه

6-1-3. توزیع‌های باور 

2-3. فیلتر نمودن جزء

1-2-3. اجزاء

2-2-3. انتشار

3-2-3.  FastSLAM 1.0

4-2-3.  FastSLAM 2.0

5-2-3. درخت دودمان / شجره نامه

6-2-3. به هم پیوستگی

7-2-3. ربات واحد DP-SLAM

8-2-3. DP-SLAM 1.0

1-8-2-3. فیلتر جزء

2-8-2-3. ارزیابی جزء

3-8-2-3. ارائه نقشه

4-8-2-3. درخت دودمان/ شجره کمینه

9-2-3. DP‐SLAM ارتقاء‌ یافته

1-9-2-3. مدل مشاهده ارتقاء‌ یافته

2-9-2-3. نقشه ‌برداری سطح بالا

3-2-9-3. پیچیدگی

10-2-3. تكرار رئوس مطالب

4. ارتقای برآورد موقعیت

 1-4. ربات DP-SLAM دو تایی

 1-1-4. مقدمه

2-1-4. تركیب نقشه

1-2-1-4. درآمیختگی یا ترکیب برآوردهای موقعیت ربات

2-2-1-4 مدل مشاهداتی

3-2-1-4. ادغام برآوردهای موقعیت در DP-SLAM

4-2-1-4. برخوردهای ربات

3-1-4. نقشه‌برداری متمركز در برابر نقشه ‌برداری غیر متمركز

4-1-4. تركیب موقعیت‌ها در سیستم‌های جزء چند رباتی

5-1-4. هرس كردن

2-4. DP-SLAM چند رباتی

3-4. ارتباطات

1-3-4. دقت افزایش یافته

2-3-4. در هم آمیختگی نقشه

5. رویه استقرار تجربی

1-5.  DP-SLAM

1-1-5.  DP-SLAM اصلی / اولیه

1-1-1-5. روتین LowSlam

2-1-1-5. مسیر HighSlam

2-1-5. اصلاحات

2-5. شبیه سازی

1-2-5. بازیگر

2-2-5. مرحله

3-2-5. محیط

6. روش

1-6. دیدگاه چند رباتی

2-6. ارتقای موقعیت

1-2-6. مكانیزم ارتقای موقعیت

2-2-6. اصلاح ‌های سطح پایین

3-2-6. اصلاح‌ های سطح بالا

7. نتایج

1-7. جزئیات یا روند نصب اولیه

2-7. محیط بزرگ

3-7. توزیع جزء

8. مباحث و تحقیقات آتی

1-8. افزایش قطعیت

2-8. تنوع جزء محدود

3-8. نقشه‌های ارتقاء یافته

4-8. تحقیقات آتی

9. ضمیمه 1،‌ اصلاحات

10. ضمیمه2 تركیب نقشه در SLAM–DP

موقعیت یابی و نقشه برداری همزمان ( SLAM) چند رباتی

 

1-10. رفتار مورد انتظار

2-10. ساختارهای داده

2- مقدمه

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

1- 2. مشكل SLAM

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

مشكل 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 حركت ربات را خواهند داشت. با انجام این كار، ربات از یك درك مشخص در زمینه مقادیر حسگر كنونی خود در مقایسه با مقادیر حسگر قبلی برخوردار خواهد شد. تكرار این فرآیند برای یك مدت زمان طولانی، سبب تجمیع كلیه 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 حركت ربات را خواهد داشت. رویه مشابه برای كلیه ادوات حسگری كه بر روی یك 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 كاربردهای رباتیك شامل راه حل SLAM می‌گردد. یك روش جهت حل این وضعیت نامشخص با استفاده از برآوردهای غیر قطعی با توجه به موقعیت ربات، تشریح احتمال موقعیت ربات در یك محل خاص می‌باشد.

توصیف تفصیلی مرتبط با مشكل SLAM و مبحثی در زمینه شایع ترین راه حل‌های مرتبط با آن را می‌توانید در فصل 3، سابقه تئوریكی، ملاحظه کنید. دیدگاه‌های SLAM را می‌توان به دو كلاس 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.

2-2. 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، 2002؛ Montemerlo و همکاران، 2003 ].

3-2. 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، 2003؛ Eliazar و Par، 2005 ]  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.

 

4- 2. SLAM چند رباتی

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

با وجود آنكه شامل نمودن سیستم چند رباتی سبب ایجاد احتمالات بیشتری می‌شود، چنین سیستم‌هایی همچنین ارائه دهنده مشكلات بیشتری نیز هستند كه باید نسبت به حل آنها اقدام نمود. اولین دسته از این مشكلات در ارتباط با سیستم‌های ربات اتوماتیك محیط دینامیكی می‌باشد. از آنجائیكه سیستم چند رباتی در یك محیط حركت و در آن اقدام به انجام عملیات می‌نمایند، چنین موردی ممكن است در خلال زمان تغییر یابد. این موضوع برای راه حل‌های SLAM مشكل است چرا كه آنها موقعیت محلی خود را بر مبنای وضعیت نسبی خود از آنچه قبلا دیده بودند ترسیم می‌نمایند. به هنگامی‌كه این اشیاء جا به ‌جا می‌شوند، امر تعیین موقعیت محلی نیز مشكل خواهد شد.

5-2. مدل پیشنهادی

به هنگامی‌ كه اقدام به تركیب 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 تركیب 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.

موقعیت یابی و نقشه برداری همزمان ( SLAM) چند رباتی

 

3- سابقه تئوریكی

1-3. SLAM

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

1-1-3. زنجیر ماركوف (Markov chain)

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

2-1-3. 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 مشكلات موقعیت‌یابی و نقشه‌برداری تقریبا یكسان هستند. در صورتی كه فردی از این موضوع آگاه باشد كه ربات دقیقا در كجای نقشه قرار گرفته است، می‌توان ترسیم درستی را حاصل آورد و عكس این قضیه نیز ممكن است صادق باشد: در صورتیكه اقدام به ترسیم یك نقشه درست برمبنای وضعیت ربات گردد،‌ تعیین یك موقعیت محلی را می‌توان به طور دقیق مشخص كرد.

3-1-3. داده‌های حسگر

یك تمایز مهم در ارتباط با داده‌های حسگر كه بوسیله الگوریتم‌های مختلف SLAM بكار گرفته شده اند را باید در نظر گرفت. اولین و مهمترین دیدگاه شهودی استفاده از نشانگرها جهت تقریب موقعیتهای ربات می‌باشد. به هنگامی‌كه ربات در محیط به حركت 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 ‌كه خصیصه مشابهی دوباره ملاحظه شد،‌ احتمال آنكه چنین موقعیتی در حقیقت با مشخصه نشانگر قبلی یكی باشد، بر مبنای سیستم مسافت سنجی و نقشه مورد محاسبه و مدلسازی منطق، وجود خواهد داشت. این تكنیك غالبا در دیدگاه‌های مبتنی بر سیستم‌های بصری SLAM و بوسیله الگوریتم fastSLAM  مشخص می‌گردد  [2002Montemerlo et al, ].

4-1-3. دریفت

یكی از مشكلات اصلی كه راه حل‌های SLAM با آن روبرو می‌باشند مشكل دریفت می‌باشد. این مشكل در حقیقت بواسطه تجمع خطاهای كوچك در مبحث موقعیت‌ یابی محلی است. به هنگامی‌كه یك ربات خطای كوچكی را در موقعیت‌ یابی محلی انجام می‌دهد، این خطا در اطلاعات خواندنی حسگر منطبق با آن بازتاب خواهد داشت. از آنجائیكه این نقشه شامل این اطلاعات خواندنی حسگر می‌باشد، چنین نقشه‌ای تا اندازه اندكی یكنواخت و جامعیت خود را از دست خواهد داد.

5-1-3. بستار حلقه

به هنگامی ‌كه خطای ناشی از دریفت در نقشه‌های بزرگ رخ می‌دهد، این احتمال وجود دارد كه یك ربات، بدون آنكه قابلیت شناسایی مکان خاصی را بر روی نقشه داخلی خود داشته باشد، اقدام به بازدید مجدد از آن مكان نماید. این مشكل تحت عنوان بستار حلقه (شكل 1) خوانده می‌شود.

6-1-3. توزیع‌های باور 

همانگونه قبلا مشخص گردید موقعیت یك ربات مبتنی بر مسافت سنجی را می‌توان بصورت متعارف بوسیله توزیع باور  تشریح نمود. این توزیع باور تشریح كننده احتمال موقعیت كنونی ارزیابی شده به عنوان تابعی برمبنای موقعیت قبلی و عملكرد‌های كنونی می‌باشد. برآورد وضعیت بر مبنای مسافت سنجی  را می‌توان از طریق توزیع گاوسی با میانگین  و واریانس  تشریح نمود و به عنوان یك 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 شكل 2 الف و شكل 2 ب ، تشریح شده است.

2-3. فیلتر نمودن جزء

1-2-3. اجزاء

یك روش مدل سازی توزیع‌های باور پیوسته كه تشریح كننده احتمال موقعیت كنونی می‌باشند كاربرد فیلترهای جزء است. فیلترهای جزء اقدام به تبدیل توزیع باور پیوسته به یك تعداد ثابتی از برآوردهای موقعیت دقیق می‌نمایند که بر حسب احتمالات آنها توزیع می شود. از طریق ارائه اجزای چندگانه كه معرف در برآوردهای موقعیت گسسته می باشند، دیگر نمی‌توان بیش از این چنین مشكلی 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.

2-2-3. انتشار

فیلتر تعمیم یافته كالمن (EKF)  كه در قبل تشیكل شد مشخص كننده توزیع گاوسی می‌باشد. بنابراین، تاثیر آن نه تنها منوط به میزان عدم قطعیت می‌باشد، بلكه وابسته به میزانی است كه برمبنای آن توابع تقریبی را می‌توان بوسیله توزیع گاوسی تشریح نمود. از آنجائیكه تابع گاوسی به عنوان یك تابع تك نمایی به شمار می‌آید كه دارای یك ارزش مورد انتظار و برآورد انحراف مورد انتظار از مقدار مدنظر می‌باشد، مدل سازی مجموعه‌های باوری چند مدله كاری بسیار مشكل خواهد بود.

3-2-3.  FastSLAM 1.0

FastSLAM یك دیدگاه مبتنی بر نشانگر برای مشكل SLAM  می‌باشد كه از یك فیلتر جزء استفاده می‌كند. الگوریتم fastSLAM در ابتدا بوسیله [Montemerlo , 2002]  پیشنهاد شد و سپس بوسیله [Montemerlo  و همکاران،  2003] ارتقا یافت. این فصل تشریح كننده هر دوی این نگارش‌ها بصورت مختصر می‌باشد. برای اطلاعات بیشتر خوانندگان به [Thrun et al, 2003] رجوع نمایند.

4-2-3.  FastSLAM 2.0

این الگوریتم به عنوان یك الگوریتم ارتقاء‌ یافته از fastSLAM اصلی به شمار می‌آید. به منظور كاهش پیچیدگی این راه حل،‌ اجزای كمتری 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 یكدیگر تركیب شده تا آنكه توزیع پیشنهادی یكسانی را برای اجزای  بوجود آورند ( شكل 5).

5-2-3. درخت دودمان / شجره نامه

از آنجائیكه هر جزء در زمان t  تشریح كننده 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،‌كلیه اجزای هویت گره اصلی خود را ذخیره نموده و وضعیت قبلی را در برابر جزء خاص تشریح می‌نمایند. بنابراین، وضعیت‌های منفرد كه بوسیله هر گره جزء تشریح شده است را می‌توان به بهترین وجهی به عنوان یك مسیر،‌ به جای یك موقعیت یا یك نقشه سرراست،‌ در نظر گرفت. كلیه ارتباطات بین اجزای مختلف در درخت دودمان / شجره ذخیره می‌شود، جائیكه هر گره معرف یك جزء می‌باشد. مسیر این درخت جزء اصلی را تشیكل داده و برگها در انتهای دیگر جزء  اخیرترین اجزای مرتبط بشمار خواهند آمد.

6-2-3. به هم پیوستگی

در هر زمان در طی وظایف SLAM، كلیه اجزای به سمت یك نقطه واحد به هم پیوسته یا دودمان مشترك جهت می‌یابند. هرس كردن موفق این درخت ممكن است سبب حركت 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.

7-2-3. ربات واحد DP-SLAM

دیدگاه دوم در زمینه موقعیت‌یابی همزمان و مشكل نقشه‌ برداری جزء توزیعی یا  DP‐SLAM می‌باشد كه در ابتدا بوسیله [Eliazar  وParr ،2003] پیشنهاد شد و سپس در مباحث DP‐SLAM 2.0 [Eliazar  وPar ،2005] ارتقا یافت. بر خلاف fastSLAM، DP‐SLAM داده‌های حسگر متراكم، كه بوسیله ره‌یاب محدوده لیزری در مقابل دیدگاه مبتنی برنشانگر مشخص شده است، را در نظر می‌گیرد.

8-2-3. DP-SLAM 1.0

1-8-2-3. فیلتر جزء

همانند كلیه راه حل‌های SLAM، DP‐SLAM  موقعیت اولیه خود را به عنوان یك واقعیت زمینی در نظر گرفته و سعی خواهد نمود تا مشاهدات آتی را با این موقعیت نسبت دهد. به هنگامی‌كه ربات حركت می‌كند موقعیت جدید x_t آن را می‌توان بوسیله تابع احتمالی برمبنای مسافت سنجی u_i و موقعیت قبلی  x_t‐1  تشریح نمود.

2-8-2-3. ارزیابی جزء

ارزیابی این اجزاء بر مبنای اطلاعات حسگر انجام می‌شوند. به هنگامی ‌كه 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 كرد كه حاوی باورهای كنونی در زمینه محیط می‌باشد،‌ به گونه‌ای كه تفاوت بین اطلاعات ادراكی و مورد انتظار را بتوان محاسبه نمود. به هنگامی‌كه اقدام به تركیب این تفاوتها برای كلیه اطلاعات حسگر می‌شود، یك برآورد برای احتمال مورد نیاز خواهد بود. [Eliazar  و Par ، 2003] به ما نشان می‌دهند كه چگونه این برآورد احتمال را می‌توان بطور رسمی ‌به شرح ذیل نشان داد:

3-8-2-3. ارائه نقشه

از آنجائیكه هر جزء تشریح كننده موقعیت ربات به صورت مختلف می‌باشد، ارائه نقشه جهان كه 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 كه براساس فرضیه‌های ایجادی بوسیله دودمان یا نسل های قبلی و همچنین فرضیه خود در خصوص جهش موقعیت از گره والدین می‌باشد.

4-8-2-3. درخت دودمان/ شجره کمینه

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

9-2-3. DP‐SLAM ارتقاء‌ یافته

از آنجائیكه 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. یكی از تغییرات در مقایسه با الگوریتم اصلی اضافه نمودن یك برآورد شفافیت برای هر سلول گریدی می‌باشد كه احتمال آنكه این سلول اشغال شده است را مشخص می‌سازد، پس از معرفی DP‐SLAM 2.0 ، یك روتین برای نقشه ‌برداری سطح بالا به منظور مقابله با تاثیرات انباشتگی در سطوح بالاتر نقشه‌ برداری اضافه گردید.

1-9-2-3. مدل مشاهده ارتقاء‌ یافته

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

2-9-2-3. نقشه ‌برداری سطح بالا

 به منظور مقابله بهتر با تاثیرات انباشتگی، اخیرترین رویه‌های ارتقاء‌ برای الگوریتم DP-SLAM مشخص كننده نقشه‌های دارای سطح بالاتر می‌باشد كه در بردارنده مشكل انباشتگی در سطح بالاتر است. این مشكل در یك سطح پایین بواسطه آنكه اختلالات بوجود آمده آنقدر كوچك هستند كه 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.

3-2-9-3. پیچیدگی

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

10-2-3. تكرار رئوس مطالب

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

موقعیت یابی و نقشه برداری همزمان ( SLAM) چند رباتی

 

4- ارتقای برآورد موقعیت

 1-4. ربات DP-SLAM دو تایی

 1-1-4. مقدمه

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

2-1-4. تركیب نقشه

تركیب یا ادغام نقشه یكی از مسائل مهم گسترش هر گونه راه حل SLAM تک عامله به یك راه حل SLAM چند عامله به شمار می‌آید. این بخش اقدام به تشریح فرآیند اطلاعات آمیختگی بین دو ربات نموده و در نظر می‌گیرد كه هر دو موقعیت نسبی شناخته شده هستند و یك 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 كنند.

1-2-1-4. درآمیختگی یا ترکیب برآوردهای موقعیت ربات

به منظور افزایش برآورد موقعیت ربات كنونی با استفاده از مشاهده ربات دیگر،‌ ایده استفاده شده قبلی در این تز را می‌بایست گسترش داد. در ابتدا،‌ یك 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 اكنون با گسترش یافته و در بردارنده مشاهده ربات j  بوسیله ربات i می‌باشد. به علاوه، از آنجائیكه سیستم های چند رباتی  مورد بررسی قرار می‌گیرند،‌ كلیه متغیرها بوسیله شاخص زیرنویس تعیین می‌گردند كه معرف نوع متغیری است كه 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.

2-2-1-4 مدل مشاهداتی

عبارت  به عنوان احتمال مشاهده ربات j  بوسیله ربات i با توجه به فرض آنكه موقعیت ربات  و  صحیح باشند اشاره دارد (شكل9). بنابراین، این موضوع تنها به عنوان یك برآورد برای مشخص سازی عدم صحت  کارکرد متناسب ابزاره مسئول مشاهده ربات دیگر می‌باشد كه غالبا بوسیله یك مبنای تركیبی مرجع نظیر كد رنگ یا نوع بازتاب تعیین می‌گردد. با فرض این ابزاره،‌ همانند غالب حسگرها، می‌توان توزیع خطای گاوسی را به شرح ذیل بیان داشت :‌

3-2-1-4. ادغام برآوردهای موقعیت در DP-SLAM

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

 

4-2-1-4. برخوردهای ربات

یك تمایز غالبا به هنگامی‌ مشخص می‌گردد كه موقعیت اولیه به صورت شناخته شده یا شناخته نشده باشد. این تز بر روی چنین موردی تاكید نداشته اما در مقابل از تكنیكهای مختلف برای تركیب نقشه برمبنای میزان درك مشترك بین این دو ربات‌ها بهره می جوید. در صورتیكه دو ربات مربوطه در زمان اولیه با یكدیگر برخورد نمایند،‌ هیچ گونه دانش مشتركی 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 كه در آن ربات‌ها قبلا با یكدیگر برخورد داشته اند.

3-1-4. نقشه ‌برداری متمركز در برابر نقشه‌ برداری غیر متمركز

 به هنگامی ‌كه دو ربات اقدام به اشتراك گذاری نقشه‌های خود می‌نمایند،‌ تصمیمی را  باید با توجه به ذخیره سازی اطلاعات تركیب شده در نظر گرفت. به واسطه آن كه كلیه اطلاعات هردوی ربات‌ها با هم ادغام می‌گردند،‌ و هر دو در یك نقشه قرار می‌گیرند، یك تصمیم ظاهرا منطقی ذخیره سازی ساختار درختی است كه حاوی كلیه اطلاعات نقشه در یك محل مركزی می‌باشد. به هنگامی ‌كه هر ربات هم اكنون اقدام به خواندن اطلاعات اضافی حسگر می‌نماید، چنین موردی را می‌توان به نقشه مركزی اضافه ساخت.

4-1-4. تركیب موقعیت‌ها در سیستم‌های جزء چند رباتی

در طی یك برخورد بین دو ربات، برآوردهای موقعیت اولیه هردوی رباتها می‌بایست بصورت اشتراكی حاصل شود. به واسطه آنكه از فیلترهای جزء استفاده می‌شود، این عمل را می‌توان از طریق برقراری ارتباط كلیه اجزاء انجام داد كه تشریح كننده موقعیت ارسال ربات با یكدیگر می‌باشند.

5-1-4. هرس كردن

 به منظور نگهداری هر یك 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.

2-4. DP-SLAM چند رباتی

خوانندگان به این نكته توجه دارند كه این دیدگاه تنها بر روی راه حل SLAM دو رباته تمركز دارد. به واسطه، یك برخورد متعاقب،‌ یك ربات می‌‌بایست قابلیت پیگیری و كنترل جزء ‌مشاهده شده را داشته باشد، البته این جزء‌ را نمی‌توان بدون آنكه برنامه با مشكلاتی 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 كردن نیز می‌باشد تا آنكه عملیات محاسباتی امكان پذیر گردد.

3-4. ارتباطات

1-3-4. دقت افزایش یافته

 به هنگامی ‌كه دو ربات یكدیگر را ملاقات می‌كنند،‌ دقت پیشنهادی افزایش یافته  در مورد  برآوردهای موقعیت‌های واحد را می‌توان تنها به هنگامی‌حاصل آورد كه ارتباطات كافی بین دو ربات به اشتراك گذاشته شده وجود داشته باشد. در معادله 28) احتمال یك موقعیت پس از یك برخورد تحت عنوان  فرمول بندی شده است كه تشریح كننده موقعیت ربات  iبا توجه به (كمبود) مشاهدات ربات‌های دیگر است. به هنگامی ‌كه در نظر بگیریم که دایره دید یك 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 آنكه میزان اطلاعات تبادلی وابسته به میزان اطلاعات حاصله از طریق ربات j مشخص شود.

2-3-4. 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 كافی نخواهد بود. از آنجائیكه 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  2 در این مبحث تشریح كننده DP‐SLAM  و رفتار اجرایی آن می باشد.

5- رویه استقرار تجربی

 به منظور تست الگوریتم پیشنهادی، یك 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 كننده ساختار نرم افزار  DP‐SLAM اصلی و رویه‌های اصلاح كاربردی می‌باشد تا آنكه 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.

1-5.  DP-SLAM

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

1-1-5.  DP-SLAM اصلی / اولیه

1-1-1-5. 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 آنجائیكه هیچ چیزی جهت محلی سازی موقعیت در ابتدا وجود ندارد، اولین نقاط دیتا یا داده به یك نقشه ای كه قبلا خالی شده است اضافه می‌گردد. در وهله بعد، این برنامه یك لوپ شرطی While را اضافه می‌نماید كه تكرار كننده 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 كلی اضافه شده و سیستم شروع به كار می‌نماید.

2-1-1-5. مسیر HighSlam

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

2-1-5. اصلاحات

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

2-5. شبیه سازی

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

1-2-5. بازیگر

 رابط ابزارة ربات بازیگر و سرور به عنوان یك پروژه نرم افزاری مجانی مطرح  هستند كه تحت لیسانس  GNU Public License انتشار یافته اند. این سیستم فراهم آورنده یك رابط بین كنترل ربات و حسگرها و محرك‌ها می‌باشد. ارتباط بین این دو لایه‌ها از طریق سوكت‌های TCP  انجام می‌گیرد تا آنكه قابلیت اعمال مستقل زبان برنامه كنترلی و پلتفرم مستقل وجود داشته باشد.           

 

2-2-5. مرحله

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

3-2-5. محیط

 محیطی كه بر روی آن راه  حل پیشنهادی تست می‌شود. یك محیط دفتری در ساختمان TNO در Hague است كه شامل دو كوریدور مستطیلی حلقوی شكل با کرانه هایی به طول 30 و 60 متر می‌باشد (شكل12).

6- 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 كه اولین بخش تشریح كننده حالتی است كه در آن كد اصلی را می‌توان برای یك دیدگاه پشتیبانی چند رباته منطبق نمود. بخش دوم تشریح كننده ارتباطات روشی می‌باشد كه منجر به ارتقای ارزیابی موقعیت ربات ها خواهد شد.

1-6. دیدگاه چند رباتی

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

2-6. ارتقای موقعیت

 به هنگامی ‌كه 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،‌ یك انتخاب مرحله را می‌بایست با توجه به مكانیزم ارتقای موقعیت در نظر گرفت. دوما، نقشه‌های سطح پایین از كیفیت 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.

1-2-6. مكانیزم ارتقای موقعیت

یك مكانیزم مناسب برای ارتقای موقعیت در زمینه ارتباطات شامل پیاده سازی یك لایه اضافی به برنامه موجود می‌باشد تا آنكه 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.

2-2-6. اصلاح‌ های سطح پایین

همانگونه كه در بخش قبلی ذكر شد، روتین lowSLAM برای دوره ‌های طویل المدت زمانی استفاده می‌شود. از آنجائیكه این لایه تنها برای نقشه‌های كوچك با موقعیت محلی و صحیح كاربرد دارد،‌ به جای نقشه‌های كلی و بزرگتر، ممكن است با خطاهای بزرگتری نیز در آن روبرو شویم.

3-2-6. 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 كم عمق به صورت یك مبحث مشخص در زمینه دقت سیستم حسگری تعبیر می‌شود. چنین موردی را می‌توان با افزایش انحراف تابع گاوسی كه 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 شكل 14 را خواهد داد. این برآورد سبب كاهش پیوستگی سیستم حسگری خواهد شد.

 7- نتایج

 به منظور نمایش كیفیت كد اتخاذی،‌ شكل 16 نشان دهنده نتایج نقشه یك رویه اجرایی بوسیله ربات منفرد در ساختمان TNO واقع در   Hagueمی‌باشد. این سیستم تشریح كننده كیفیت راه حل پیشنهادی می‌باشد (كه همچنین از سناریوهای چند رباته نیز پشتیبانی می‌كند). ناحیه تشریح شده بوسیله ربات به عنوان ناحیه ای مطرح است كه دارای صدها متر سالن یا کریدور با جزئیات 5 سانتی متری می‌باشد.

1-7. جزئیات یا روند نصب اولیه

 نصب اولیه كه برای این رویه آزمایشی به كار گرفته شد در شكل 17 نشان داده شده است. به واسطه مقیاس كوچك این مجموعه اولیه، واریانس جزء به صورت محدود باقی می‌ماند. چنین امری منجر به بروز موقعیتی می‌شود كه در آن جزء دارای بالاترین واریانس همچنین به عنوان جزئی تلقی می‌شود كه موقعیت جاری را به بهترین وجه تشریح می‌نماید. بنابراین، ارتباطات قابلیت افزایش برآورد موقعیت را نخواهد داشت.

2-7. محیط بزرگ

 به هنگامی ‌كه سعی در اجرای الگوریتم در یك محیط بزرگتر می‌شود،‌ نتایج دارای سازگاری بیشتری می‌باشند. تقریبا در هر اجرا، نقشه ارتقا یافته دارای كیفیت بهتری در مقایسه با نقشه تولیدی قبلی در مبحث ارتباطات می‌باشد. یك مثال متعارف ارتقاء در ذیل آمده است. با این وجود،‌ از آنجائیكه این رویه‌های ارتقا از مقیاس كوچكی برخوردار می‌باشند‌، یك جعبه مستطیلی در نقشه ایجادی ترسیم شده است تا آنكه امر ارزیابی این تفاوت مشخص گردد. همانگونه كه می‌توان در نقشه ارتقا یافته دید، دو دیواره مخالف كه در حقیقت به صورت موازی هستند به میزان اندكی، از انحراف زاویه 8 درجه به زاویه 6 درجه كه مشخصه یك زاویه مطلوب است، تصحیح شده اند.

3-7. توزیع جزء

 به هنگام ارزیابی توزیع جزء، شكل 20 نشان دهنده جهش‌های متعارف در توزیع جزء پس از بكارگیری 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.

موقعیت یابی و نقشه برداری همزمان ( SLAM) چند رباتی

 

8- مباحث و تحقیقات آتی

 هدف از این تز ارائه یك رویه اثباتی در زمینه مفهوم رویه ارتقای ارزیابی موقعیت SLAM چند رباتی از طریق ارتباطات می‌باشد. این سیستم كه 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، كه سبب ایجاد درك ارتقای برآورد موقعیت SLAM چند رباتی شده است، حاصل آمده و به عنوان یك گزینه آشكار برای تحقیقات آتی مدنظر خواهد بود. به علاوه،‌ تنوع جزء پس از آنكه سیستم های چند رباتی  با یكدیگر برخورد داشته با تنزل روبرو  شده كه خود تشریح كننده افزایش قطعیت موقعیت ربات خواهد بود. این مبحث در فصل 1-8 بحث شد.

با این حال، ارتقاهای ایجاد شده بوسیله این سیستم، همانگونه كه می‌توان در بخش نتایج مشاهده نمود، بسیار اندك بوده است. دلیل این امر عمدتا بواسطه تنوع جزء محدود می‌باشد كه بوسیله ربات‌های منفرد حمل می‌گردند. فصل 2-8 اقدام به بحث دلیل حصول ارتقا‌‌های محدود نموده و راه حل‌های بالقوه جهت فائق آمدن به این مشكلات را عرضه می‌دارد.

فصل 3-8 پس از آن این مسئله را به بحث می‌گذارد كه چگونه این راه حل‌ها را می‌توان به منظور مقایسه راه حل‌های مختلف با یكدیگر مورد ارزیایی قرار داد و فصل 4-8 نیز پیشنهادات متعاقب برای تحقیقات آتی را ارائه خواهد نمود.     

1-8. افزایش قطعیت

متعاقب هر برخورد،‌ احتمال جزء به روشی تغییر می‌نماید كه تنوع جزء پس از یك برخورد به میزان قابل توجهی، در مقایسه با تنوع جزء قبل از برخورد، با افت روبرو می‌شود ( شكل 20،‌21و 22). این تاثیر نشان دهنده قطعیت ارتقاء یافته موقعیت مشخصه می‌باشد و تشریح كننده كلیه فرضیه‌ها در زمینه موقعیت هایی است كه نزدیك به یكدیگر قرار گرفته اند. این تاثیر، برای توزیع‌های واریانس‌های جزء بزرگ، در مقایسه با توزیع های واریانس‌های جزء كوچك، به نظر بزرگتر می‌باشد.

نتیجه معرف بهره محاسباتی بالقوه ای است كه این دیدگاه آن را حاصل كرده است. كاهش تنوع جزء در بردارنده آن است كه كلیه فرضیه‌ها در زمینه موقعیت جاری با یكدیگر نزدیك تر می باشند، به عبارت دیگر، این ربات از قطعیت بالاتری در زمینه موقعیت جاری برخوردار است. این امر همچنین مؤكد آن است كه موقعیت جاری را می‌توان به وسیله اجزای كمتری مدل سازی نموده و به الگوریتم اجازه داد تا اجزای كمتری را ذخیره ساخته و از این رو بار محاسباتی كمتری را تحمیل می نماید.

2-8. تنوع جزء محدود

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

3-8. نقشه‌های ارتقاء یافته

با وجود آنكه كلیه تعدیلها برای نقشه ایجادی ارتقا یافته اند، یك برآورد عینی مكفی جهت تشریح این رویه‌های ارتقاء را به سختی می‌توان یافت. به منظور حاصل آوردن یك 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.

4-8- تحقیقات آتی

یك موضوع قابل توجه برای تحقیقات آینده ارزیابی این احتمال می‌باشد كه 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 مشترك پس از ارتباطات حاصله در زمینه برآوردهای موقعیت واحد بدست آورد.

9- ضمیمه 1،‌ اصلاحات

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

10- ضمیمه2 تركیب نقشه در  SLAM–DP

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

1-10. رفتار مورد انتظار

میزان اطلاعاتی كه می‌بایست بدین روش به اشتراك گذاشته شود قابل توجه خواهد بود، چرا كه برای هر ربات، وبرای هرجزء، مجموع نقشه را باید به اشتراك گذاشت. این مقدار را می‌توان در ابتدا از طریق برقراری ارتباطات برآوردی موقعیت مشخص کرد. به هنگامی ‌كه این برآوردهای موقعیت را برمبنای  ارزیابی می‌كنیم،‌ دقیقا پس از اجرای برنامه 1،‌ تعدادی از جفت‌های جزء را می‌توان جمع آوری نمود،‌ همانند موردیكه به وسیله الگوریتم    fastSLAM  2.0 انجام می‌شود.   [Montemerlo و همکاران، 2003 ]. چنین امری منجر به میزان كاهش یافته اطلاعاتی می‌شود كه می‌بایست آنها را به دیگر ربات‌ها مخابره نمود.

2-10. 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 كپی آن جزء انجام داد. فرمت داده اجزای واحد به شرح ذیل می‌باشد:

موقعیت یابی و نقشه برداری همزمان ( SLAM) چند رباتی