Aktif SLAM ve Bilgi Edinme
Aktif Simultane Localization ve Mapping (Active SLAM), SLAM'ın bir araya gelme problemini mümkün olduğunca verimli bir şekilde inşa etmeye karar vermek için bir sonraki haritayı nasıl inşa edeceğine karar vermek için çalışmalar yapar. Geleneksel SLAM yaklaşımlarından farklı olarak robotların sensör verilerini toplayarak, Active SLAM teknolojisi, çevrelerinin kapsamlı ve doğru bir haritasını bağımsız olarak planlamasını sağlar.
Aktif SLAM planlama kalbinde bilgi kazancı kavramı yatıyor - her iki pozisyon ve çevre hakkında belirsizliği azaltmak için matematiksel bir çerçeve, belirli eylemleri alarak elde edebilir. Bilgi kazancı yalnızca değişkenleri temsil eden değişkenlerle tanımlanır.Bilgi kazancı, hesaplama ve maksimum bilgi kazancıyla, robotlar kendi konumlarını ve çevrelerinin yapısını azaltan eylemleri akıllıca seçebilirler.
Aktif SLAM'daki temel zorluk iki rakip hedefi dengelemek: arama (göstermedeki yeni alanları keşfedin) ve sömürü (daha önce gözlemlenen alanları hakkında bilgi vermek) Bu ticaret planlı, belirsizlik arasındaki ayrımı ölçmek (bu da haritadaki belirsizlikleri azaltır) ve sömürüyü azaltmak için bir yol sunar.
Matematiksel Vakfı: Entropy ve Uncertainty
Bilginin aktif SLAM'da hesaplamayı anlamak için, öncelikle entropiyi anlamalıyız - bilgi teorisinde belirsizlik temel ölçüdür. Shannon Entropi, rastgele değişken bir x'de bu nedenle bilgi metrik olarak yaygın olarak kullanılan bir belirsizlik ölçüldür. SLAM bağlamında, robotun durumu (konuş ve yönelim) ve çevre haritası hakkında belirsizliklerimizi ölçmeliyiz.
olasılık dağılımı ile ayrı bir rastgele değişken için, Shannon entropi, olumsuz logarithm'in beklenen değeri olarak tanımlanır. Daha yüksek entropi, sistemin durumu hakkında daha fazla kesin gösterirken, SLAM uygulamaları ile genellikle sürekli devlet uzayları ile ilgileniriz, aynı zamanda temel konseptin de aynı kalır: Entropi dağıtımını nasıl genişletir veya belirsizliğimizi gösterir.
Aktif SLAM'da, özellikle robotun yörüngesinin ve haritanın entropisiyle ilgileniyoruz. poz vermede belirsizlik varsayılır ve harita belirsizliği belirsizliği bağımsızdır, ortak entropi iki entropi olarak hesaplanabilir: robotun entropisi ve haritanın entropisi. Ancak, bu bağımsızlık ve yerelleşme ve haritalama arasındaki darbe hesabı genellikle basit bir şekildedir.
Shannon Entropy'nin Ötesinde: Alternatif Bilgi Toplayıcıları
Shannon en yaygın kullanılan metrik olsa da, araştırmacılar çeşitli alternatif bilgileri araştırmışlardır.SLAM için ödül işlevi, Fisher bilgisi gibi bir bilgi-theoretic ölçü ile tanımlanabilir, entropi, Kullback-Leibler (KL) farklı özellikler ve hesaplama özelliklerine sahiptir.
Rényi iki basamak arasındaki ayrım, ölçüm stratejisindeki iki dağıtımın kuyruğunu ve özel durumlarda Kullback-Leibler ayrımı ve Hellinger'in farkını önemli ölçüde etkileyebilir.
Benzer bir çerçeve içinde diğer bilgi ölçümleri, Cauchy-Schwarz quadratik karşılıklı bilgi, D-optimality kriteri ve Kullback-Leibler farklılıkları da son zamanlarda önerilmiştir.
Karşılıklı Bilgi: Bilginin Zorunlu
Aktif SLAM'da bilgi kazanımının en yaygın olarak kullanılan formülasyonu karşılıklı bilgilere dayanıyor. Yararlı işlev karşılıklı bilgi (MI) olarak bilinir ve gerçek devletin entropisi ile bir eylem yaptıktan sonra beklenen entropi arasındaki fark olarak tanımlanır.
Matematiksel olarak, karşılıklı bilgi, bir rastgele değişkenin başka bir şey içerdiği bilgileri ölçmektedir. Aktif SLAM bağlamında, potansiyel sensör ölçümleri ve bilinmeyen devlet değişkenleri (robot poz ve harita özellikleri) arasındaki karşılıklı bilgileri artırmak için ilgileniyoruz.
Karşılıklı bilgi formülasyonunun temel avantajı, olası sensör ölçümlerinin üzerindeki beklenen değer için doğal olarak hesap olmasıdır. tek bir determinist sonuç varsaymak yerine, karşılıklı bilgi olası gözlemler ve ağırlıklar üzerinden olası dağıtımını dikkate alır.Bu olasılıksal tedavi, belirsizlik altında sağlam planlama için gereklidir.
Semantic ve Geometrik Karşılıklı Bilgi
Aktif SLAM'daki son gelişmeler, geometrik verilerle ilgili semantik bilgileri içerecek şekilde karşılıklı bilgi hesaplamaları genişletmiştir. Zhang et al., Shannon karşılıklı bilginin potansiyel bilgileri farklı algılama eylemlerinden elde etmek için etkili bir yöntem önerdi, böylece haritalama verimliliğini artırmak.Bu, robotların sadece uzaysal yapı hakkında değil aynı zamanda nesne kategoriler ve sahne anlayışı hakkında da bir yöntem önerdi.
Aktif bir metrik-semantik SLAM yaklaşımı, görev-sözlü nesne kategorilerine dayanan, sadece geometrik belirsizliklere dayanan bir strateji seçmek için temel teşkil eden bağlantı ile semantik karşılıklı bilgileri birleştirir.Rezertic information, robotlar görev-relevant object kategorilerine dayanarak keşfedebilmeleri hakkında daha akıllı kararlar alabilir.
Bilgi için C ⁇ Çerçeve Hesaplama
Uygulamada bilgi kazanılması gelecekteki sensör ölçümlerini, güncelleme inanç durumlarını tahmin edebilecek ve entropi değişiklikleri hesaplamak için bir hesaplama çerçevesi gerektirir. Genel süreç gerçek zamanlı planlamayı mümkün kılmak için etkin bir şekilde yürütülebilecek birkaç adım içerir.
Adım 1: Gening Candidate Actions
Bilgi kazanç hesaplamasındaki ilk adım, robotun uygulayabileceği bir dizi aday eylemi veya trajektör üretmektir.Bu adaylar genellikle hareket, bakış açıları veya keşif stratejilerinin farklı yönlerini temsil eder. Aday nesil süreci, hesaplamalı kanallarla aksiyon alanını dengelemek zorundadır - çok az sayıda adayın en uygun fırsatları kaçırabileceği bir şekilde pahalı hale gelir.
Ortak yaklaşımlar, yerel olarak en iyi eylemler için aramanın temel ticaret noktalarının belirlenmesinde, rastgele veya yarı-random adayı trajektörleri, sınır tabanlı yöntemler ve optimizasyon temelli yöntemler içerir. yaygın olarak kullanılan bir teknik, her aşamada sorunu bölmek ve bir hedef noktası optimize etmektir.Bu eşdeğer optimizasyon, hala bilinen ve bilinmeyen bölgelerin sınırlarını tanımlayan temel ticari-offları ele alırken daha da zorlaştırır.
Adım 2: Tahmin Sensör Ölçümleri
Her aday eylem için, robot, sensör ölçümlerinin bu eylemi gerçekleştirmiş olup olmadığını tahmin etmelidir. Bu tahmin robotun sensörlerinin çevresel özelliklerine nasıl cevap verdiğini açıklayan bir sensör modeli gerektirir.Bir ccupancy grid hücresine vuran bir teleskop olasılığı, occupancy olasılığının orantılı olarak yapılır.
Tahmin süreci birkaç belirsizlik kaynağı için dikkate almalıdır: Robotun gelecekteki konumunun eylem, mevcut haritada belirsizlik ve sensör gürültüsünü tahmin etmek yerine, sistem genellikle olası ölçümler üzerinde bir olasılık dağılımı hesaplar.Bu dağıtım, eyaletteki tüm belirsizlikleri yakalamak ve gözlemlerde belirsizlikleri azaltmak için ortaya koyar.
Occupancy grid haritaları için, bu, hangi hücrelerin gözlemlendiğini ve hangi olasılıkla meşgul veya özgür görüneceğini belirlemek için ağ aracılığıyla yayılır.For feature-based map, it contains the current and what their measure be visible from the parents, account for noise and data relationship changes.
Adım 3: Belief State Update ve Peragation
Potansiyel ölçümler tahmin edildiğinde, bir sonraki adım, bu ölçümler alındıysa inanç devletini nasıl güncelleneceğini simüle etmektir.İnanç durumu robotun olasılıksal bilgilerini ortaya koyar ve harita ile filtre tabanlı SLAM sistemleri arasında temsil eder.
Rao-Blackwellized Parçacık filtresi (RBPF) robotun durumunu ve haritayı temsil etmek için kullanılır ve sonra beklenen sonuçlanmış bilgi kazançına dayanan eylemlerin bilgi birikimini göz önünde bulundurmaktadır. RBPF yaklaşımı özellikle popülerdir, çünkü SLAM'da ortaya çıkan çok yönlü dağıtımları temsil edebilir.
İnanç güncelleme süreci Bayes'in kuralını tahmin edilen ölçümler dahil etmek için geçerlidir. Her bir olası ölçüm sonucu için sistem bu ölçümü gözlemleme sonucu elde edecek olan arka inançla hesaplanır.Bu, ölçüm olasılığını değerlendirmek gerekir (bu gözlem şu anki inançtan nasıl mümkün olan) ve onu arkaya üretmek için önceki inançla birleştirir.
Adım 4: Adım 4: Enformpy Before and After
Eldeki önceki ve arka inanç durumlarıyla, sistem şimdi her birinin entropisini hesaplayabilir. Önceki entropi, eylem almadan önce mevcut belirsizliği temsil eder, ancak arka entropi ölçümlerden sonra beklenen belirsizliği temsil eder.Bu iki miktar arasındaki fark bilgi kazancıdır.
Gaussian dağıtımları için, entropi, kol değişkenlik matrisinin determinantını içeren kapalı bir ifadeye sahiptir. Parçacık temsilleri için entropi, genellikle çekirdek yoğunluğu tahminlerini veya histogram tabanlı yöntemleri kullanarak tahmin edilmelidir.Her bir grid için, entropisi gözlem ilerlemeleri olarak hesaplanır ve sürekli olarak güncellenmelidir.
Kritik bir incelik, beklenen arka entropiyi hesaplamamız gerektiğidir, mümkün olan tüm ölçüm sonuçları olasılıklarından ağırlıklandırılmalıdır. Bu beklenti, karşılıklı bilgi hesaplamalı olarak zorlanan hesaplamayı yapan şeydir - birçok olası geleceği ve onlara uygun şekilde ağırlık vermemiz gerekir.
Adım 5: En fazla Bilgi İçin Aksiyon Seçimi
Tüm aday eylemleri için bilgi edindikten sonra, son adım, bu kazancı en üst düzeye çıkaran eylemi seçmektir (veya seyahat maliyeti gibi bazı bilgi kazançlarının ve diğer hedefleri optimize etmek).Her keşif en yüksek potansiyel bilgi kazancı ile eylemleri önceliklendirir.Bu açgözlü seçim stratejisi, pratikte iyi performans gösterir, ancak küresel olarak en iyi şekilde en iyi şekilde performans gösterebilir.
Bazı sistemler, eylemlerin uygulanmasının maliyeti gibi saf bilgi kazançlarının ötesinde ek faktörler içerir (yol mesafe, enerji tüketimi, zaman), çarpışma riski veya görev spesifik hedefler. Bilgi entropi kazancı ve belirsizlik tahminleri aynı anda sömürüye karşı ticaret olarak kabul edilir.Bu multi-objective formülasyonlar, rekabetçi öncelikler dengelemeye ağırlıkların dikkatli bir şekilde ayarlanmasını gerektirir.
Pratik Uygulama Yaklaşımları
Bilgi kazanç hesaplaması için teorik çerçeve iyi kurulmuş olsa da, pratik uygulama birkaç hesaplama ve algoritmalı zorlukla ele almak gerektirir. Farklı SLAM paradigmaları -filter tabanlı, grafik tabanlı ve ccupancy grid tabanlı - farklı uygulama stratejileri.
Filtre tabanlı SLAM Uygulamaları
Genişletilmiş Kalman Filtre (EKF) SLAM, inanç devleti, eş değişkenli matrixin kuadramik büyümesi nedeniyle çok sayıda Gaussian dağıtımı olarak temsil edilir.Bu dağıtımın entropisi doğrudan tutarlı hesaplardan hesaplanabilir. ancak, EKF-SLAM ölçekleri, tutarlılık matrisinin kuağında büyük ortamlara kötü bir şekilde ölçeklenebilir.
Rao-Blackwellized Parçacık filtresi tabanlı SLAM sistemleri, robotun pozlarının entropisinin lineer bir özetidir ve her parçacığı ile ilişkili olası haritaların entropisi.Bu faktörleşme, SLAM probleminin koşullu bağımsızlık yapısını daha fazla trafiğe zorlaştırmak için kullanır.
Parçacık filtresi uygulamaları, en yakın büyüklükteki bir parçacık gösteriminden entropi meydan okuma meydan okuma meydan okumalarıyla karşı karşıyadır. Common yaklaşımlar, parçacıkların örnek tutarlılığını içerir (yaklaşık Gaussianity) veya en iyi tahminlere dayanan entropi tahminleri kullanarak.
Grafik tabanlı SLAM Uygulamaları
Grafik tabanlı SLAM, düğümlerin robotun yer ve dönüm noktalarının temsil ettiği bir faktör grafiği olarak problemi temsil eder ve kenarlar odometri ve sensör ölçümlerinden kısıtlamalara sahiptir. Çoğu uygulama, SLAM (68.7%) filtre tabanlı SLAM (32) ile kıyasla, ve bu tercih grafik SLAM için çok fazla avantaja sahiptir.
Grafik tabanlı sistemlerde, bilgi hesaplama genellikle yeni ölçümlerin grafike nasıl faktör katacağını ve bu faktörlerin optimize edilen çözümdeki belirsizlikleri nasıl etkileyeceğini tahmin eder.The TFG uses grafiksel models, which use independents between variables, and enable a Wholemetrics to the probe problem by avoid the planning solution.
Yeni faktörler ekledikten sonra arka tutarlılık, tam grafik optimizasyonunu (expensive) ya da grafik yapısına dayanan yaklaşımlar kullanarak, Laplacian Nearimations ve diğer teknikler, tam optimizasyon olmadan nasıl değişeceğinin verimli tahminlerini sağlayabilir.
Occupancy Grid Uygulamaları
Occupancy grid haritaları, çevreyi hücrelere ayırıyor, her biri işgal edilme olasılığı olan bir hücredir.Her bir gridde sadece iki devlet vardır, bu, boş veya meşgul, bu yüzden bu makaledeki entropi, occupancy olasılık ile tanımlanır.
Bilgi, occupancy gridlerinde hesaplamayı sağlar, hangi hücrelerin bir aday bakış açısından gözlemlendiğini ve ccupancy olasılıklarının nasıl güncelleneceğini tahmin eder. Bilgi entropi haritası, düzgünleştirilmiş entropi değeri ile sürekli olarak güncellenir ve güncel bir kat dahaki entropi ve gözlemlerin güncel ağırlıklarını belirler.
Occupancy gridlerinin hesaplama avantajı, entropi hesaplamalarının bireysel hücrelere yerel olmasıdır ve verimli bir şekilde hesaplanabilirler. Ancak, büyük 3D ortamlara yeterince ölçeklenirler ve doğal olarak topolojik yapılar veya döngü kapatmalarını temsil etmezler.
Gelişmiş Teknikler ve Optimizasyonlar
Aktif SLAM olgunlaşmış olduğu gibi, araştırmacılar bilgi kazanç hesaplamalarının verimliliğini ve etkinliğini geliştirmek için çok sayıda teknik geliştirdiler. Bu optimizasyonlar karmaşık ortamlarda gerçek zamanlı işlem için önemlidir.
Odaklı Bilgi
Tüm devlet değişkenleri üzerinde hesaplamadan daha fazlası, odaklanmış bilgi kazançları, mevcut görevle ilgili sadece değişkenlerin alt kümesini dikkate alır. Bilgi kazancı, yalnızca özellikleri temsil eden değişkenlere odaklanır. Bu, görevle ilgili değişkenlere odaklanırken önemli ölçüde hesaplama maliyeti azaltır.
Bir hedef noktasında bilgi kazanı iki parçaya bölünebilir: ilk kısım, yeniden gözlemlenen ve bilinen özellikleri geliştirerek elde edilen bilgilerdir ve ikincisi, yeni özellikleri keşfetmenin bilgi kazancıdır.Bu decomposition, keşif-patlama ticaret-off ve tümocate çabayı uygun şekilde açıkça neden sağlar.
Hierarchical and Multi-Scale Planlama
Büyük ölçekli ortamlarla başa çıkmak için, birçok sistem robot için hiyerarşik planlama stratejileri kullanıyor ve mevcut görüntü girişine ve yerel NBV'ye dayanan bir hiyerarşik aktif semantik görsel SLAM sistemi, robot için küresel Next-En İyiView (NBV) bulmak için bir modüle sahiptir ve mevcut görüntü girişine dayanan özel bir Probability Map (FPM) üretebilir ve yerel NBV'yi seçebilir.
Hierarchical yaklaşımlar, yerel araştırma verimliliğini optimize ederek, yerel bilgi birikimini optimize ederek uzun vadeli bir araştırma stratejileri planlayabilir.Bu çok ölçekli bir neden, hem hesaplama verimliliğini hem de yerel bilgileri optimize ederek, küresel keşif verimliliğini optimize ederek hem de plan kalitesini artırabilir.
Approximations and Bounds
Exact bilgisi hesaplama genellikle sorgulayıcı, lider araştırmacılar çeşitli yaklaşımları geliştirmek ve sınırlar kurmak için. Laplacian Nearimation hesaplamalarına göre birleşik bir keşif ve sömürü kazançlarının birleştirilmesi. Laplacian Nearimations, mevcut tahminlerin etrafındaki yerel Gaussianity varsayıyor, kapalı entropi hesaplamalarına izin veriyor.
Diğer yaklaşımlar, tahmini bilgi birikiminin sonlu bir ölçüm örneğinden elde ettiği metodolojileri içerir, tam ölçüm dağıtımını tamamlamak yerine. Monte Carlo örnekleme, beklenen bilgi birikiminin tahminlerini ölçüm alanının büyüklüğü yerine hesaplama maliyeti ile sağlayabilir.
Optimal Deneysel Tasarım Teorisi
Entropi tabanlı ölçümler, arsadaki ikili olasılıkları hedef alan Optimal Deneysel Tasarım Teorisinden (TOED) gelir. TOED, doğrudan ilgi alanında belirsizlikleri ölçmeye çalışır ve ağ haritadaki ikili olasılıkları hedef alır.
Çeşitli fonksiyonlar - optimallik kriterleri olarak bilinir - iz (orijinal olarak A-optimality olarak bilinen), maksimum / tek değer (E-optimality) veya determinant (D-optimality) veya bu kriterler, optimize edilebilir bir ölçeksel nesneye farklı şekillerde katkıda bulunur.
Eşdeğer matrisinin determinantını en aza indirmek, Gaussian dağıtımları için entropi minimizasyonla yakından ilişkilidir. A-optimality, tüm boyutlardaki ortalama değişkenliği en aza indirmek için karşılık gelen tutarlılık.
Meydanlar ve C ⁇
Önemli ilerlemeye rağmen, aktif SLAM için bilgi kazanımı hesaplamak, özellikle büyük ölçekli veya karmaşık ortamlarda zorlanır. Bu zorlukların anlaşılması pratik sistemler geliştirmek için önemlidir.
Boyutsallık eğriliği
Çevrenin büyüklüğü ve özelliklerin sayısı büyüdükçe, devlet uzayının büyüklüğü dramatik bir şekilde artmaktadır. Hesaplama en yüksek boyutlu dağıtımlar üzerinde entropi giderek zorlaşıyor, her ikisi de temsil açısından (storing the distribution) ve hesaplama (depresyon veya beklentilerin ölçülmesi).
Uygulama, optimal çözümlerin intractability dahil olmak üzere sorunlarla karşı karşıyadır ve daha büyük keşif alanlarıyla ilgili hesaplama talepleri artırmaktadır. Bu ölçeklenebilirlik meydan okuması, yaklaşık yöntemlerin geliştirilmesini, hiyerarşik temsilleri ve sadece görev-bölgedeki alt kümeleri dikkate alan bilgi ölçümlerine odaklanmıştır.
Geleceğin Gözlemlerini Modelleme
Planlama kontrolleri gelecekteki gözlemleri modellemek ve tüm olası sonuçları dikkate almak isteyecektir, bu genellikle devam edilemez. Olası gözlemler alanı planlama ufukuyla üst üste büyür, uzun vadeli planlama için tüm olasılıkları en aza indirmek imkansız hale getirir.
Çoğu pratik sistem bunu planlama ufukunu sınırlandırarak ele alır (sadece bir veya birkaç adım önde), gözlemler üzerinden dağıtıma ilişkin örnekleme kullanarak veya robotun sık sık yeni bilgilere dayanarak yeniden planladığı planlamayı kullanarak.
Data Association Uncertainty
SLAM'da temel bir zorluk veri birliğidir - hangi sensör ölçümlerinin hangi harita özelliklerine karşılık geldiğini belirlemek. Bu belirsizlik önemli ölçüde bilgi edinme hesaplamayı zorlamaktadır çünkü bir ölçüm içeriği bilinen bir özellikteki (patlama) veya yeni bir özellik (patlama) ile ilgili olarak bağlıdır.
Robust bilgisi hesaplamaları veri birliği belirsizliği için dikkate almalıdır, genellikle olası derneklerin olasılıklarından ağırlıklandırılmasıyla.Bu marjinalleştirme, zaten zorlu bir problem için başka bir hesaplama karmaşıklığı katmanı ekliyor.
Gerçek Zamanlı Kıtlar
Aktif SLAM pratikte faydalı olmak için, planlama gerçek zamanlı veya yakın zamanlı olarak gerçekleşmelidir. Robot, çevre değişiklikleri veya fırsatları kaçırıldığında bir sonraki eylemi dakikalar hesaplamaya karşı çıkamaz. Bu zaman kısıtlama güçleri en uygun ve hesaplama verimliliği arasındaki ticaret.
Gerçek zamanlı kısıtlamalarla tanışmak için ortak stratejiler şunları içerir: birçok işlemci veya GPU'lar arasındaki hesaplamaları kısıtlayın, bilgi kazanmak, kalibrasyon ve yeniden kullanmak için hızlı adımlar kullanın.
Multi-Robot Active SLAM
Aktif SLAM'ın çoklu robot sistemlerine genişlemesi, merkezileştirilmiş bir Partili Observable Markov Karar Süreci (Dec-POMDP) karar katmanında farklı avantajlar sunar, ancak merkezi olmayan karar verme ve işbirliği tahminleri arasında sıkı bir darbe gerektirir, merkezileştirilmiş bir karar verme sistemi olarak modellemek için de bir çiftleştirilmiş bir sistem olarak modellenir.
Collaborative InformationGet
Multi-robot senaryolarında, bilgi tüm robotların kolektif bilgisi için dikkate alınması ve eylemlerin birbirlerini nasıl tamamlayacağının. İşbirliği algılamanın temel zorluğu, paylaşılan gözlemler ve harita arasındaki bilgi kazançlarını en üst düzeye çıkarmak için en bilgi birikimini seçmek ve paylaşmaktır.
Robotlar, keşiflerini, döngü algılaması ve harita para toplama için yeterli çakışma sağlamadan kaçınmaları için koordine etmelidir. Bu koordinasyon merkezi planlama (Tek planlayıcı tüm robotlara yönelik hedefler tayin edebilir), merkezi olmayan planlama (her robotun sınırlı iletişimle bağımsız olarak planladığı) veya karma yaklaşımlar yoluyla elde edilebilir.
[0]İletişim ve Band genişlik Constraints
Multi-robot sistemleri sınırlı iletişim bant genişliğine ek meydan okuma ile karşı karşıyadır. Robotlar sürekli olarak tüm haritalarını ve inanç durumlarını paylaşamazlar, seçici bilgi paylaşımını gerektiren.Her bir iterasyonda, robotlar ilk gözlemler ve seçici olarak bilgilendirici özellikleri edinir ve paylaşılan veriler inanç durumunu güncellemek için optimizasyon yoluyla birleştirilir.
Bilgi-ekentik yaklaşımlar da iletişim kararlarına rehberlik edebilir, hangi verilerin diğer robotlara beklenen bilgi değerine dayanarak paylaşabilmelerini seçebilir. Bu, robotların her iki yerde hareket etmesi ve ne iletişim kurması gerektiğinin ne de bir nested optimizasyon problemi yaratır.
Bilgiye Dayanlı Yaklaşımlar
Makine öğreniminde son gelişmeler, özellikle derin güçlendirme öğrenme (DRL), aktif SLAM planlama için yeni bir avenues açtı. DRL yavaş popülerlik kazandı ve DRL'nin adaptasyonu, Active SLAM problemini ele almak için bir auspicious adayı, ortamın önceden tanımlanmış bir modeline sahip olduğu gibi, DRL robotların çevre ile etkileşim yoluyla en iyi politikaları dinamik bir şekilde öğrenmelerini sağlar.
Tahmini Bilgi Edinme Öğrenmek
Bir yaklaşım, hesaplamalı pahalı bilgi edinme hesaplamasını öğrenmek için makine öğrenimi kullanır. Aktif bir SLAM araştırma yöntemi, kontrol altında maksimum bilgi kazanımı ve Bayesian optimizasyonunu en iyi keşif hedefi elde etmek için bir GP'yi tahmin etmek için bir GP trenler yapar.
Neural ağları yerel gözlemlerden ve harita özelliklerinden bilgi kazanmak için eğitilmiş olabilir, hangi tür eylemlerin hangi durumlarda bilgilendirici olduğu konusunda bilgi sahibi olmayı öğrenir. Bu öğren heuristic, tam hesaplamadan çok daha hızlıyken el-filmize edilen kurallardan daha verimli bir şekilde araştırmayı yönlendirebilir.
Keşfet Politikalarının Son Öğrenmesi
Alternatif bir yaklaşım, uzun vadeli bilgi kazanımının doğru şekilde öğrenilmesi için güçlendirme öğrenmelerini sağlar, açıkça bilgi-theoretic metrics Hierarchical Donment Learning (HRL) ve grafik tabanlı uzaysal soyutlama şu anda monolithic end-to-end yaklaşımlara kıyasla üstün ölçeklenebilirlik ve sağlamlığı sağlar.
Bu öğrenme politikaları analitik bilgi kazanç formülüne kodlanması zor olan karmaşık modelleri yakalayabilirler. Ancak, önemli eğitim verileri gerektirir ve eğitim dağıtımından önemli ölçüde farklı ortamlara iyi bakamazlar.
Uygulamaları ve Gerçek Dünya Deployment
Bilgi kazanç tabanlı aktif SLAM, teorik ilginin ötesinde pratik değerini göstermek için sayısız gerçek dünya uygulamalarında başarıyla kullanılmıştır.
Özerk Keşif ve Mapping
En doğrudan uygulama bilinmeyen ortamların bağımsız keşfidir. Aktif SLAM ile donatılmış robotlar, binaları, felaket siteleri veya insan rehberliği olmadan gezegensel yüzeyler. Simülasyon sonuçları geleneksel ağ-map sınır araştırmaları ile kıyasla önemli bir azalma gösterebilir, yönelim ve keşif hataları.
Bilgi edin metrikler, araştırmanın sistematik ve verimli olmasını sağlar, tam haritalama sağlamak için reddant kapsamından kaçınır. Bu, insan keşfinin tehlikeli veya imkansız olduğu tehlikeli ortamlarda özellikle değerlidir.
Arama ve Kurtarma Robotik
Felaket yanıt senaryolarında, robotlar kurtarma ekipleri için haritalar inşa ederken hayatta kalanları bulmak için hasar görmüş yapıları hızlıca keşfetmelidir. Bilgi edin tabanlı planlama, robotların önemli bilgileri (belirli yerlerde) kapsaması için muhtemel alanlara öncelik vermelerine yardımcı olur.
Arama ve sömürüyü dengeleme yeteneği burada kritiktir - robot hayatta kalanları bulmak için yeni alanları keşfetmeli, aynı zamanda hayatta kalan pozisyonları rapor etmek için doğru yerelleştirmeyi yeniden gözden geçirmeli.
Depo ve Endüstri Otomasyonu
Depolarda ve fabrikalarda Özerk mobil robotlar, çevre değişiklikleri olarak gezinmek ve güncelleme haritalarını kullanmaya aktif SLAM kullanıyor. Bilgi, envanterin yeniden düzenlenmesi veya yeni tesislerde işletmek için robotlara verimli bir şekilde yardımcı oluyor.
Buradaki odak genellikle sürekli rafineri tarafından takip edilen hızlı ilk haritalama üzerindedir, bilgi bu aşamalar arasındaki geçişe rehberlik eder.
Özerk Araçlar
Kendi kendine giden arabalar, SLAM'ı GPS tarafından yerelleştirme için kullanıyor (tunnels, kentsel kanyonlar) ve yüksek çözünürlüklü haritalar inşa etmek için.En otonom araçlar önceden inşa edilmiş haritalara güveniyorken, aktif SLAM ilkeleri kılavuz harita güncelleştirmeleri ve yeni alanların keşfine güveniyor.
Bilgi edin hesaplamaları, planlı rotalardan itibaren, değişen yol koşulları veya yeni inşaat hakkında bilgi toplamak için karar verirken, ulaşım hedefleri ile haritalama hedefleri dengelemek için yardımcı olur.
Future Yol ve Açık Meydanlar
Önemli ilerlemeye rağmen, birçok önemli zorluk ve fırsat aktif SLAM için bilgi edinme hesaplamasında kalıyor.
Dinamik Çevreler
Mevcut SLAM algoritmaları dinamik ortamlarda sağlam değildir, hareket eden nesneler haritalama ve yerelleştirme doğruluğuna olumsuz etki edebilir, robotun çevresini takip etmesini ve tamamen anlamasını zorlaştırabilir. Bilgi, zaman dinamikleri için hesaplanması gerekir, sadece olayları yakalamayı gözlemlerken tahmin etmek gerekir.
Proper hareket planlama, dinamik ortamlarda sağlam performans sağlamak için aktif semantik SLAM için gereklidir. Future sistemleri farklı zamanlarda gözlemlerin bilgi değeri hakkında bir neden olmalıdır, dinamik elementlerin tahmin edilebilirliği ve önemi için muhasebe.
Long-Horizon Planlaması
Mevcut sistemlerin çoğu, uzun vadeli planlama stratejilerinin geliştirilmesini göz önünde bulundurarak, eylemleri yerine kararlara karşı yapılan eylemleri tercih eder ve DRL'nin aktif SLAM'daki mevcut uygulamaları öncelikle, uzun vadeli planlama stratejilerinin geliştirilmesini göz önünde bulundurmak için öğretim robotları etrafında döner ve robotlar eylemlerin zaman zaman zaman zaman zaman zaman zaman zaman zamanlarını kasıtlı olarak teşvik edebilir.
Uzun süredir uygulanabilir yöntemleri geliştirmek-horizon bilgisi-theoretic planlama önemli bir açık problem olmaya devam ediyor. Hierarchical yaklaşımlar ve öğrenilen değer işlevleri söz veriyor ancak daha fazla gelişme gerektirir.
Semantic ve Görev-Oriented Information
Geleneksel bilgi kazanç geometrik belirsizliklere odaklanır, ancak birçok uygulama semantik anlayış gerektirir. Bilgi-eetik planlayıcılar Bayesian multiclass octrees with Shannon karşılıklı bilgi to choose approachs that reduce both geometrik and semantic belirsizlik.Adding information gain hesaplamaları to include semantic,holdance, and task-reant information remains an active research area.
Future sistemleri, görev tamamlanması açısından gözlemlerin bilgi değeri hakkında bir neden olmalıdır, sadece harita doğruluğu değil. Bu, daha üst düzey görev planlama ve nedenleme ile aktif SLAM'ı bütünleştirmeyi gerektirir.
Büyük Orta Orta Ortamlara Kolaylık
Robotlar giderek daha geniş ortamlarda dağıtılırken – örneğin binalar, şehir blokları veya doğal manzaralar – bilgi kazanımları hesaplamaları kritik hale gelir. Hierarchical representation, dağıtılmış hesaplamalar ve yakınlaştırma yöntemleri, gerçek zamanlı performansı sürdürürken daha da geliştirilmelidir.
Pratik Uygulama Kılavuzları
Uygulamalı uygulamalar için bilgi edin tabanlı aktif SLAM, birkaç pratik kılavuz başarı sağlamada yardımcı olabilir.
Doğru Bilgileri Seçmek
Bilgi metrik seçimi, Gaussian ve hesaplama verimliliği ile ilgili olarak yönlendirilmelidir.Barényince, dağıtımın farklı yönlerini vurgulamak için parametresini sunar.
Occupancy grid haritaları için, hücre-bilen entropi basit ve etkilidir. Özellikleri tabanlı haritalar için, kovariance tabanlı metrikler veya parçacık filtre entropi tahminleri daha uygun. Anahtar harita gösterimi ve hesaplama bütçesine uygun.
Denge ve Dengeleme
Mükemmel bilgi hesaplama nadiren gereklidir veya uygulanabilir. Practitioners, temel ticaret-offları yakalamak için makul hesaplama maliyeti ile iyi performans sağlayabilir.
Birkaç adayı mükemmel bir şekilde değerlendirmekten daha fazla önemli. Planlama sistemi, hesaplama kaynakları sınırlı olduğunda daha basit heuristics için ölçeklendirmek için tasarlanmıştır.
SLAM Backend ile entegrasyon
Bilgi kazanımı, mevcut inanç eyaletlerine ve verimli bir şekilde güncellemelere erişmek için SLAM algoritması (EKF, parçacık filtresi, grafik optimizasyonu) ile sıkı bir şekilde entegre edilmelidir.
Grafik tabanlı SLAM için, marjinal kovarileri verimli bir şekilde hesaplayabilen yükselteçli optimizasyon kütüphanelerini kullanmayı düşünün. Parçacık filtreleri için, entropi tahminleri için inanç dağıtımını doğru bir şekilde temsil etmek için yeterli parçacığın sağlanması.For ccupancy, maintain effective data structures forRay-casting and computation.
Geçerlilik ve Test
Bilginin elde edilmesi zor çünkü zemin gerçeği nadiren mevcut. Faydalı geçerlilik yaklaşımları şunlardır: eylemlerin yürütülmesinden sonra gerçek entropi azaltımı ile karşılaştırma, bilinen zemin gerçek haritaları ile simülasyonda test ve davranışları anlamak için farklı bilgi ölçümleri karşılaştırır.
Performans ölçümleri sadece son harita kalitesi değil, aynı zamanda araştırma verimliliğini (birime zaman veya mesafeyi kapsa) araştırma süresince yerelleştirme doğruluk ve hesaplama performansı (zaman, bellek kullanımı) içerir.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Bilgi kazancı hesaplamak, SLAM planlamasına aktif olmak, robotun pozisyonu ve çevresi hakkında daha iyi bir belirsizlik sağlayan eylemleri seçmek için ilkelendirilmiş bir çerçeve sağlamak.Ana süreç, aday eylemleri için potansiyel sensör ölçümlerini öngörmek, inanç durum güncellemelerini basitleştirmek, bilişim entropi değişiklikleri sağlamak ve beklenen bilgileri en üst düzeye çıkarmaktır.
Teorik temel bilgi teorisi ve Bayesian inference ile iyi bir şekilde kurulsa da, pratik uygulama, doğruluk ve verimlilik arasındaki her türlü ticaretle ilgili olarak dikkat gerektirir.Farklı harita temsilleri -kukupluk ızgaraları, özellik haritaları ve grafik tabanlı temsiller - her biri doğruluk ve verimlilik arasındaki farklı ticaret-offları ile ilgilidir.
En son gelişmeler hiyerarşik planlama, semantic SLAM, multi-robot koordinasyonu ve öğrenme tabanlı yöntemler, bilgi kazanç tabanlı aktif SLAM'ın yeteneklerini ve uygulanabilirliğini önemli ölçüde genişletmiştir. Bu gelişmeler robotların giderek daha karmaşık ve büyük ölçekli ortamlarda etkin bir şekilde çalışmasını sağlar, depolamadan gezegensel keşiflere kadar.
İleriye bakıldığında, önemli zorluklar daha büyük ortamlara ölçeklendirmeyi, dinamik sahneleri elemantik ve görevle ilgili bilgileri dahil etmeyi ve uzun süredir tartışılmaz planlama yöntemlerini geliştirmeyi içerir. Klasik bilgi-theoretic planlamanın modern makine öğrenme yaklaşımlarıyla entegrasyonu, bu zorlukların ele alınması için özel bir söz verir.
Uygulama için uygun bilgi ölçümlerini seçmeye, SLAM'la planlamaya yönelik hesaplama maliyetinin belirlenmesi ve SLAM'ın geri çekilmesine yönelik planlamayı dikkatlice entegre etmek.Düşünmüş tasarım ve uygulama ile, bilgi edinilen hesaplamalar, robotların olağanüstü verimlilik ve özerklik ile harita ortamlarını keşfetmelerini sağlar.
Robotikler önceden devam ediyor ve robotlar daha fazla talep edilen uygulamalarda dağıtılıyor, bilgi-etik planlama ilkeleri gerçekten otonom araştırma ve haritalama olanak sağlamak için merkezi kalacaktır. Alan hızla gelişmeye devam ediyor, yeni algoritmalar, temsiller ve uygulamalar düzenli olarak ortaya çıkıyor, her iki araştırma ve pratik gelişim için heyecan verici bir alan haline getiriyor.
Ek Kaynaklar
Aktif SLAM ve bilgi hakkında daha fazla bilgi edinmek isteyenler için, birkaç kaynak değerli bilgiler sunar.TheurFLT:0Conserve SLAM inceleme makalesi), son derece robot sistemlerindeki ayrıntılı bilgi ve uygulama örnekleri hakkında kapsamlı bir araştırma sağlar.For practice details, theFORMT:0}) Son zamanlarda ortaya çıkan yüksek bilgi için, yüksek çözünürlükte bulunan SLAMNTS (D) ile ilgili olarak, çeşitli bilgiler sunar.