طراحی مسیر در مساله نقشه یابی و مکان یابی ربات متحرک
چکیده
یافتن مختصات عوارض زمینی و شاخص های یک محیط ناشناخته از دیرباز مورد بحث دانشمندان گوناگون قرار داشته است. اگر تخمین مکان شاخص ها توسط ربات متحرکی که مختصات محلی آن معلوم است انجام شود به این مساله نقشه یابی گویند. مساله یافتن مکان ربات در یک محیط معلوم نیز به مکان یابی مشهور است. حال اگر عمل اکتشاف و جستجوی ربات متحرک در محیطی کاملا ناشناخته و نامعلوم انجام شود، ربات قادر به یافتن مکان خود یا یافتن نقشه محیط به صورت مجزا نیست و برای انجام جستجو در این قبیل محیط ها، می بایست از ترکیب همزمان این دو که به مسأله simultaneous localization and mapping (slam) معروف است، استفاده شود. تا به امروز روش های مختلفی برای حل مسأله slam ارائه شده اند که از آن جمله می توان به فیلترهای کالمن توسعه یافته و فیلترهای ذره ای اشاره کرد. در مساله slam وجود نقاط میانی به عنوان نقاطی که بین نقطه شروع و پایان قرار گرفته و گذر ربات از آن ها باعث بالا رفتن دقت نقشه تولیدی می شود، بسیار تاثیرگذار است و جایابی بهینه آن ها حائز اهمیت می باشد. در این رساله نگارنده با ارائه و اعمال پیشنهادها و روش هایی سعی بر بالا بردن دقت نقشه نولیدی توسط ربات متحرک داشته است. لذا این رساله در دو گام به حل مسئله فوق می پردازد: در گام نخست، فرض شده است که مکان شاخص ها در محیط مشخص است و به منظور یافتن مسیر همواری که حداکثر محیط را پوشش داده و به صورت عملی قابل پیاده سازی باشد، از منحنی های cubic spline استفاده شده است. از آنجایی که این مسیرها شامل دسته وسیعی از منحنی های spline می باشند، پس از معرفی معیار بهینگی یک مسیر، ابزار دسته بندی svm به منظور برچسب زدن و جداسازی مسیرهای بهینه از غیربهینه مورد استفاده قرار گرفته است. معیار بهینگی مسیر حداکثرسازی پاداش دریافت شده توسط ربات و حداقل سازی مجموع مربعات خطای مسیر(sse) حرکت ربات از شاخص ها می باشد. علت استفاده از ابزار svm، پیاده سازی online این مساله در محیط های عملی است. در انتها از الگوریتم هوشمند یادگیری تقویتی به منظور جایابی بهینه مکان نقاط میانی استفاده گردیده است. در این مرحله هدف، یافتن نقشه محیط در حداقل زمان، حداقل انرژی و در عین حال حداکثر پوشش محیط است. در گام دوم فرض خواهیم کرد که مکان شاخص ها و ربات نامشخص بوده و محل بهینه نقاط میانی توسط یک ناظر انسانی آگاه تعیین شده است. به منظور تخمین مکان ربات و شاخص ها ابزار تخمینگر فیلتر کالمن توسعه یافته، استفاده شده است. جهت بررسی دقیق عدم قطعیت های موجود در محیط و اثر گردش های تند ربات بر تخمین، شبیه سازی در دو محیط مقیاس بزرگ و مقیاس متوسط انجام گرفته و نیز رهیافت هایی به منظور بالا بردن دقت نقشه ارائه و اعمال گردیده اند که نتایج حاصل از اعمال آن ها مورد مقایسه قرار گرفته است.