Ταυτοχρονος Προσδιορισμος Θεσης Κινουμενου Ρομποτ Και Χαρτογραφηση

Abstract

Στα πλαίσια της πτυχιακής αυτής ασχοληθήκαμε με το πρόβλημα του ταυτόχρονου προσδιορισμού θέσης και χαρτογράφησης (Simultaneous Localisation and Mapping, SLAM). Το πρόβλημα αφορά την εύρεση της ακριβούς θέσης ενός ρομπότ, σε ένα άγνωστο για αυτό χώρο, χωρίς δηλαδή να έχει καμία πληροφορία για το περιβάλλον, ενώ ταυτόχρονα προσπαθεί να σχεδιάσει το χάρτη του περιβάλλοντος. Για τη λύση του προβλήματος έχουν αναπτυχθεί διάφορα μοντέλα, όπως το Extended Kalman Filter, το μοντέλο Marcov κα. Στην παρούσα εργασία χρησιμοποιήσαμε μια προσέγγιση του φίλτρου σωματιδίων και συγκεκριμένα της τεχνικής FastSLAM. Σύμφωνα με την προσέγγιση αυτή, κάθε χρονική στιγμή διατηρούμε λίστες από ένα μεγάλο πλήθος σωματιδίων (particles), τα οποία έχουν στοιχεία για τη θέση του ρομπότ και το χάρτη του περιβάλλοντος. Θεμελιώδης στην προσέγγιση αυτή είναι η διαδικασία της επαναδειγματοληψίας, με την οποία καταφέρνουμε να συγκρατήσουμε τα πιο πιθανά particles.Το πρόβλημα του SLAM είναι πολύ σημαντικό και έχει απασχολήσει αρκετά τους ερευνητές, γιατί αφενός μεν είναι θεμελιώδες χαρακτηριστικό των αυτόνομων ρομπότ, αφετέρου δε μπορεί να μας διευκολύνει σε πολλές εργασίες με το πλήθος των εφαρμογών του. Αρχικά, για το θέμα της αυτονομίας, δίνει τη δυνατότητα στο ρομπότ να εξερευνεί. χωρίς την ανθρώπινη καθοδήγηση, άγνωστα περιβάλλοντα και συνεπώς εξαλείφει την ανάγκη για μια εκ των προτέρων (a priori) γνώση του περιβάλλοντος. Για το ζήτημα τον εφαρμογών του, μας δίνεται η ευκαιρία να έχουμε ευέλικτα συστήματα σε περιβάλλοντα που δεν είναι προσπελάσιμα από τον άνθρωπο λόγω αντίξοων συνθηκών. Για παράδειγμα, με την επίλυση του προβλήματος ανοίγεται ο δρόμος για εξερεύνηση σε ξένους πλανήτες, διάσωση ανθρώπων από ερείπια κ.α.Παρ' όλα αυτά, η επίλυση του αλγορίθμου είναι μία δύσκολη διαδικασία λόγω παραγόντων όπως η αβεβαιότητα. Το ρομπότ αρχικά διαθέτει μια αβεβαιότητα για τη θέση του, η οποία όμως αυξάνεται μετά από κάθε κίνηση. Το γεγονός αυτό περιπλέκει και η απουσία των πληροφοριών, καθώς τα μόνα στοιχεία που παρέχονται στο ρομπότ είναι πιθανολογικές παρατηρήσεις. Ευτυχώς η αβεβαιότητα αυτή είναι φραγμένη και η εκτίμηση του ρομπότ για τη θέση και το περιβάλλον του βελτιώνεται καθώς επισκέπτεται μέρη που έχει ξαναδεί. Ένας άλλος παράγοντας που δρα δυσμενώς στη λύση του προβλήματος είναι το μεγάλο υπολογιστικό κόστος, καθώς οι πληροφορίες που πρέπει να διατηρούνται και να επεξεργάζονται ταυτοχρόνως αυξάνονται εκθετικά με το χρόνο. Στην προσέγγισή μας λύνουμε τα δύο παραπάνω προβλήματα με τη διαδικασία της επαναδειγματοληψίας, η οποία βοηθά στη γρήγορη σύγκλιση του αλγορίθμου, ενώ η αναπαράσταση μέσω του φίλτρου σωματιδίων δεν έχει μεγάλες απαιτήσεις στη διατήρηση πληροφοριών. Ενδεικτικό είναι πως για όλα τα πειράματα αρκούσε μια μνήμη μόλις 2GB.