به عنوان یک تأمین کننده SLAM AMR ، اعتبارسنجی صحت یک نقشه SLAM برای AMR بسیار مهم است. در این وبلاگ ، برخی از روشهای عملی را برای اطمینان از دقت این نقشه ها به اشتراک می گذارم.
اول از همه ، بیایید درک کنیم که چرا دقت نقشه اهمیت دارد. یک AMR (ربات موبایل خودمختار) به شدت به نقشه تکیه می کند تا در اطراف حرکت کند. یک نقشه معیوب می تواند منجر به برخورد ، برنامه ریزی نادرست مسیر و ناکارآمدی کلی شود. تصور کنیدربات موبایل AMRدر یک شلوغانبار ربات امرتلاش برای جابجایی کالا. اگر نقشه نادرست باشد ، ممکن است در راهرو اشتباه به پایان برسد یا حتی به روبات های دیگر یا موانع سقوط کند.
یکی از ساده ترین راه های شروع اعتبارسنجی نقشه ، از طریق بازرسی بصری است. در منطقه ای که AMR در آن فعالیت خواهد کرد ، قدم بزنید و آنچه را که در واقعی می بینید - زندگی با نقشه مقایسه کنید. به دنبال اختلافات آشکار مانند دیوارهای گمشده ، راهروهای نادرست یا مکان های نادرست نقاط دیدنی باشید. به عنوان مثال ، اگر یک ستون بزرگ در فضای فیزیکی وجود داشته باشد که روی نقشه نباشد ، این یک نشانه واضح است که نقشه به تنظیم نیاز دارد.
روش مؤثر دیگر استفاده از اندازه گیری حقیقت زمین است. با استفاده از ابزارهایی مانند کنتورهای لیزر می توانید مسافت و زاویه های کلیدی را در محیط واقعی اندازه گیری کنید. سپس این اندازه گیری ها را با مقادیر مربوطه در نقشه SLAM - تولید شده مقایسه کنید. به عنوان مثال ، طول یک راهرو را در انبار اندازه گیری کنید و بررسی کنید که آیا طول نشان داده شده در نقشه مطابقت دارد یا خیر. اگر تفاوت معنی داری وجود داشته باشد ، نشانگر عدم صحت در نقشه است.
اعتبار سنجی مبتنی بر سنسور نیز بسیار مهم است. AMR ها به سنسورهای مختلفی مانند Lidar ، دوربین و سنسورهای اولتراسونیک مجهز هستند. از این سنسورها می توان برای عبور - بررسی داده های نقشه استفاده کرد. به عنوان مثال ، سنسور LIDAR می تواند حضور اشیاء در محیط را تشخیص دهد. با حرکت AMR ، می تواند قرائت سنسور را با نقشه مقایسه کند. اگر سنسور شیء را که روی نقشه نیست ، یا برعکس ، تشخیص دهد ، نشانه عدم صحت نقشه است.
ما همچنین می توانیم آزمایش پویا را انجام دهیم. بگذارید AMR با استفاده از نقشه برای ناوبری در اطراف منطقه حرکت کند. رفتار آن را از نزدیک مشاهده کنید. اگر AMR مرتباً تردید کند ، چرخش ناگهانی ایجاد کند ، یا همانطور که انتظار می رود نتواند به مقصد خود برسد ، می تواند به دلیل عدم دقت نقشه باشد. به عنوان مثال ، اگر AMR قرار است یک مسیر مستقیم را دنبال کند اما انحراف را ادامه دهد ، ممکن است به این دلیل باشد که برنامه ریزی مسیر نقشه دقیق نیست.
علاوه بر این ، ما می توانیم از چندین الگوریتم SLAM برای تولید نقشه های مختلف از همان منطقه استفاده کنیم. سپس این نقشه ها را با یکدیگر مقایسه کنید. اگر بین نقشه ها تفاوت معنی داری وجود داشته باشد ، به احتمال زیاد در یک یا چند مورد از آنها خطایی وجود دارد. این مقایسه می تواند به شناسایی مناطقی که نقشه ها در آن مخالف هستند کمک کند و نیاز به تحقیقات بیشتر داشته باشد.
وقتی صحبت از اعتبار نقشه در a می شودAGV AMR ROBOTزمینه ، ما باید الزامات خاص برنامه را در نظر بگیریم. به عنوان مثال ، در یک محیط تولید ، AMR ممکن است نیاز به دقیقاً بین ایستگاه های کاری مختلف داشته باشد. بنابراین ، دقت نقشه در این مناطق از اهمیت بالایی برخوردار است.
همچنین ایده خوبی است که کاربران را در فرآیند اعتبار سنجی درگیر کنید. آنها کسانی هستند که در عملیات روزانه خود از AMR استفاده می کنند. آنها می توانند بازخورد ارزشمندی را بر اساس تجربه واقعی جهانی خود ارائه دهند. به عنوان مثال ، آنها ممکن است متوجه شوند که AMR در گوشه و کنار خاص از انبار در حرکت در گوشه و کنار مشکل دارد که می تواند به دلیل مسئله نقشه باشد.
هنگامی که ما نادرست های موجود در نقشه را شناسایی کردیم ، باید آنها را اصلاح کنیم. بیشتر نرم افزار SLAM امکان ویرایش نقشه را فراهم می کند. ما می توانیم اشیاء را اضافه یا حذف کنیم ، موقعیت های نقاط دیدنی را تنظیم کرده و بر اساس نتایج اعتبار سنجی خود برنامه ریزی مسیر را اصلاح کنیم.
تأیید منظم نقشه ، به ویژه در محیط های پویا ضروری است. به عنوان مثال ، در یک انبار ، با افزودن یا حذف قفسه های جدید ، ممکن است این طرح با گذشت زمان تغییر کند. بنابراین ، ما باید برنامه ای را برای تأیید مجدد نقشه تنظیم کنیم تا اطمینان حاصل کنیم که AMR همیشه نقشه دقیقی برای کار با آن دارد.
در نتیجه ، اعتبارسنجی صحت یک نقشه SLAM - تولید شده برای AMR یک فرایند چند مرحله ای است که شامل بازرسی بصری ، اندازه گیری حقیقت زمین ، اعتبار سنجی مبتنی بر سنسور ، آزمایش پویا و بازخورد کاربر است. با دنبال کردن این مراحل ، می توانیم اطمینان حاصل کنیم که AMR به طور کارآمد و ایمن عمل می کند.
اگر به محصولات SLAM AMR ما علاقه مند هستید و می خواهید در مورد اعتبار سنجی نقشه یا سایر موضوعات مرتبط بیشتر بحث کنید ، احساس راحتی کنید تا به بحث تهیه بپردازید. ما اینجا هستیم تا بهترین راه حل ها را برای نیازهای AMR خود در اختیار شما قرار دهیم.
منابع
- Thrun ، S. ، Burgard ، W. ، & Fox ، D. (2005). رباتیک احتمالی. مطبوعات MIT.
- Grisetti ، G. ، Kümmerle ، R. ، Stachniss ، C. ، & Burgard ، W. (2010). یک آموزش در مورد SLAM مبتنی بر نمودار. مجله سیستم های حمل و نقل هوشمند IEEE ، 2 (4) ، 31 - 43.