طراحی مسیر در مساله نقشه‎ ‎یابی و مکان‎ ‎یابی ربات متحرک

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.‏