چند ربات همزمان محلی سازی و نقشه برداری (SLAM) شامل ربات های متعدد است که با هم کار می کنند تا یک نقشه از محیط را بسازند در حالی که به طور همزمان موقعیت های خود را در داخل آن تعیین می کنند، این رویکرد بهره وری و پوشش را در مقایسه با سیستم های تک-روبی افزایش می دهد.

بنیادهای چند رباتی SLAM

جنبه های نظری اصلی چند ربات SLAM شامل الگوریتم هایی برای همجوشی داده، ادغام نقشه و اجماع است.این الگوریتم ها ربات ها را قادر می سازد تا اطلاعات را به اشتراک بگذارند و درک یکپارچه ای از محیط زیست را توسعه دهند. روش های پروبابیلی مانند فیلترهای zi معمولا برای مدیریت عدم اطمینان در محلی سازی و نقشه برداری استفاده می شوند.

چالش های کلیدی شامل حفظ سازگاری در سراسر نقشه های تولید شده توسط ربات های مختلف و اطمینان از قوی بودن در برابر سر و صدا سنسور و تاخیر های ارتباطی است، مدل های نظری اغلب ارتباطات ایده آل را فرض می کنند، اما سناریوهای دنیای واقعی نیاز به مدیریت لینک های غیر قابل اعتماد و تبادل داده های ناهمزمان دارند.

استراتژی های اجرایی عملی

پیاده سازی Multi-robot SLAM در محیط های واقعی شامل ملاحظات سخت افزاری مانند انتخاب سنسور و سیستم های ارتباطی است. ربات ها معمولا از LiDAR، دوربین ها یا سنسورهای اولتراسونیک برای ادراک و Wi-Fi یا ماژول های رادیویی اختصاصی برای ارتباطات استفاده می کنند.

استراتژی های هماهنگی شامل رویکردهای متمرکز، غیرمتمرکز و ترکیبی است.سیستم های مرکزی به یک سرور مرکزی برای پردازش داده ها متکی هستند، در حالی که سیستم های غیرمتمرکز ربات ها را قادر می سازد تا به طور مستقل عمل کنند و به طور مستقیم اطلاعات را به اشتراک بگذارند.

چالش ها و مسیرهای آینده

چالش های فعلی شامل مدیریت پهنای باند ارتباطات، اطمینان از سازگاری نقشه و مقابله با محیط های پویا است.پیشرفت در یادگیری ماشین و فن آوری های سنسور بهبود یافته انتظار می رود برای افزایش قابلیت های چند ربات SLAM.

  • پروتکل های اشتراک گذاری داده های کارآمد
  • الگوریتم های ادغام نقشه
  • روش های هماهنگی مقیاس پذیر
  • مدیریت محیط های پویا و نامطمئن