Giriş: Robotik Navigasyondaki Sonraki Sınır

Robotik alanın dönüştürücü bir değişim geçirdi, önceden programlanmış makinelerden dinamik karar verme yeteneğine sahip yüksek derecede otonom sistemlere taşındı. Bu evrimdeki kalpte, basit bir robotun kritik bir ortamda çalışmasına engel oldu - bir depoya, bir hastane koridoruna veya açık bir alana taşınmak – çevresini algılayarak, gerçek zamanlı robotları tanımlamak ve basit bir şekilde yanlış algılayıcıları ve tek kameraları keşfetmek için mümkün olan her şeyi doğrulamaktadır.

Lidar ve Radar Teknolojileri Anlamak

Lidar: Üç Boyutta Hassasiyet

Lidar, lazer ışığının hızlı pullarını – ultraviyole, görünür veya yakın bir spektrumda – ve her bir darbeyi bir nesneyi yansıtacak şekilde ölçerek, sensöre geri dönebilecek kadar önemli bir noktaya sahiptir.Bu Zaman-Flight (ToF) ölçümler son derece doğru mesafe verileri sunar.Bu hassaslık Lidar, çevredeki her yüzeyi önemli ölçüde tespit eden üç boyutlu bir bulut yaratır.

Radar: Hava bariyerini Peneting

Radar, başlangıçta hava trafik kontrolü ve askeri uygulamalar için gelişmiş bir teknoloji, radyo dalgaları kullanır - milimetre dalga bandında (örneğin, otomotiv radarı için 77 GHz) – Lidar'dan farklı olarak, radarın fog, yağmur, kar ve tozların minimum seviyedeki düşüşe geçebileceğini tespit etmek için. Radarın sadece birkaç derece daha düşük bir çözünürlükte hıza sahiptir, bu efektdeki görüntüyü tespit eder.

Lidar ve Radar'ı birleştirmek Faydaları: İşgücünde Sensör Fısıltı

Tek bir sensör mükemmel değildir. Lidar'ın yan havadaki sınırlamaları ve radarın daha düşük çözümü onları birleştirmek için zorlayıcı bir durum yaratır. Bu sinerji, sensör füzyon olarak bilinen, parçaların miktarından çok daha büyük bir algı sistemi verir.

  • [FONT:0)Enhanced Balance:[Dönetici:[Döntgen: 0) Lidar, hassas engel şekli ve pozisyonu için gerekli olan yüksek çözünürlüklü verileri sağlarken, radar doğru hız ölçümlerine katkıda bulunur. Birlikte, robotun sadece 0:2’ye bakın[Döntme:2).
  • [FONT:0] Tüm Koşullarda İyileştirilmiş Güvenilirlik: [DÜDÜT:1] Açık havalarda Lidar liderlik eder.Ne zaman, yağmur veya toz rulo, radar sistemi, durumsal farkındalığı korur, robotun kör olmasını engeller.
  • [FONT:0)Robust Obstacle Tespit Across Scales:[Dönetici:[Dönetici:0) Lidar, sabit nesneleri kontrol etmek gibi küçük, sabit nesneleri tespit etmeyi başarır, diğer araçlar veya ya da yayalar gibi hareket eder, bir mesafede bile.
  • [FONT=0]Redüklenmiş false Olumlular:[Dönetici:[Dönetici:0)Her iki sensörden gelen verileri çapraz-referencing verileri filtreleyebilir, füzyon algoritmaları hayalet nesneleri (örneğin, Lidar ıslak yüzeyler veya radar çoklupath yankıları), daha güvenilir engel listeleri ve daha güvenli navigasyon kararları.

Robotlarda Obstacle Kaçınma: Adım-Adım Yaklaşımı

Gelişen bir robot inşa etmek, donanım, yazılım ve algoritmaların dikkatli bir entegrasyonu gerektirir. Süreç genellikle doğru sensörleri seçmek, onları en iyi çakışmalar için monte etmek, onları bir araya getirmek ve sonra gerçek zamanlı işlem hatları uygulamak içerir.

Sensör Seçimi ve Dağıtılması

Forhraklı robotlar (örneğin, depo AGVs), robotun kendi şasisinden kısa bir radar yeterli olabilir. Açık robotlar uzun menzilli Lidar ve otomotiv-grad 77 GHz radar birimlerine fayda sağlar. Sensörler, robotun kendi şasisinden gelen mesafeyi en üst üste çıkarmak için monte edilmelidir.

Sistem Mimarisi: Raw Data to Action

Veri akışı standart bir boru hattı takip eder: Her sensör periyodik olarak (örneğin, 10 Hz. Lidar, 20 Hz. Hz. İbrahim'de radar) Raw verileri, bozulmalar ve gürültüyü doğrulayan algoritmaların tespit edilmesi için önceden işlemez. Sonra, bir füzyon motoru zamanı-sentez ve uzaysal olarak, robotun odometrisini ve bilinen extrinsic kalibrasyon parametrelerini kullanarak verileri doğru bir şekilde birleştirir.

Sensör Fusion Techniques

Sensör füzyon, birleşik Lidar-radar sisteminin arka kemiğidir. En yaygın kullanılan teknikler şunlardır:

  • [FONT=0)Kalman Filtreleme:[Dönetici:[Dönetici:0)Kalman Filtreleme:[Dönetici:0)) Bilinen belirsizliklere dayanan her sensörin katkısını hesaplamak. Genişletilmiş Kalman Filtreleme (EKF) ve Unscented Kalman Filtreleme (UKF) olmayan ilişkilerle başa çıkmak için bu yaklaşım, hesaplamalı olarak verimli ve iyi bir şekilde çalışır.
  • [FONT=0]Particle Filtreleme:[Dönetici Monte Carlo yöntemleri olarak da bilinir, parçacık filtreleri robotun durumu (veya engel durumu) bir dizi ağırlıkta bulunan (parçacıklar) ile ilgili olasılık dağılımını temsil eder.
  • [FONT:0]Bayesian Fusion:[Dönetici:[Dönetici:0) Daha yüksek bir seviyede Bayesian yöntemleri, her sensör tarafından üretilen olasılık haritalarını bir araya getiriyor. Örneğin, Lidar ve radar her bir ccupancy ağının işgal edilme olasılığına sahip olduğu hücrelere sahip olabilir.
  • [FONT:0) Deep Fusion Learning:[Dönetici:[Dönetici:0) Son gelişmeler karmaşık sahnelerde daha iyi performans elde etmek, ancak büyük eğitim veri setlerini ve önemli hesaplama kaynaklarını doğrudan işlemek için dönüştürücü mimarileri gerektirir.

Pratikte, birçok robot platformu bir tabakalı yaklaşım kullanıyor: bilinen engelleri takip etmek için bir Kalman filtresi, küresel yerelleşme için bir parçacık filtresi (örneğin, Monte Carlo yerelleştirme), ve kısa vadeli bir engel haritası için Bayesian ızgara.

Redüklenmiş algı ortamın açık bir resmini sunarken, robot nereye gideceğine karar vermelidir. Obstacle kaçınması temel olarak bir yol planlayıcı problemdir ve çeşitli algoritmaları yaygın olarak kullanılır:

  • [A-Star): [Dönetici: 0,8|Döneticisel bir ağ çözümü için en kısa yolu bulmak için en düşük maliyet artı tahmin edilebilir (heuristic) ile düğümleri keşfetmeye başlamak için en kısa yolu bulmak için bir tür bir ağ haritası üzerinde iyi çalışır. * Belirli bir grid kararı için en düşük maliyetlidir, ancak büyük haritalar için hesaplamak ve dinamik engellerin üstesinden gelmek mümkün değildir.
  • [FONT:0)Rapidly-Exping Random Trees (RRT) ve RRT*:[Dönetici:0) RRT, rastgele örnekleme noktalarıyla sürekli bir alan keşfeder ve mümkün olan yolları inşa etmek için iyi bir şekilde tasarlanmıştır.Bu algoritmaların yüksek boyutlu konfigürasyon alanları için uygun şekilde dekore edilmesi ve yeni engeller ortaya çıktığında yeniden planlanabilirler.
  • [Dynamic Pencere Yaklaşımı (DWA): [DWA: [DWA: [DWAT:1] Bir reaktif yerel planlayıcı, robotun kısa bir süre içinde elde edebileceği ve sabit bir şekilde sabit bir şekilde etkisiz hale getirilmesi için idealdir. DWA, A* veya RRT altında düşük seviyeli planlayıcı olarak sıklıkla kullanılır.
  • [FONT:0)Makine Öğrenme Yaklaşımları: [DRL) Derin takviye öğrenme (DRL), engelden kaçınmaya yönelik umut verici bir yöntem olarak ortaya çıktı. Robot, bir politikayı deneme ve hata yoluyla öğrenir, ham veya füzyonlu sensör verileri girdi ve çıkış yolu ile çözülürken, DRL karmaşık senaryoları yönetebilir ve insan benzeri davranışları öğrenebilir, güvenli davranışları sağlamak için kapsamlı bir eğitim gerektirir.

En iyi robotlar, hem katmanları bilgilendirebilmek için küresel bir planlayıcı (A* veya RRT) birleştirir.

Meydanlar ve Gelecek Yollar

Büyük ilerlemeye rağmen, Lidar ve radar füzyon ile üretime hazır bir robot hala önemli engeller sunar.ETHFLT:0)Sensor kalibrasyon), Lidar ve radar arasındaki uzaysal ilişki (translasyon ve rotasyon) yüksek hassasiyetle ölçülmelidir, sık sık sık sık sık sık ısı değişiklikleri ve titreşimler zamanla kaybolabilir.

[FONT:0]Data processing speed[[Dönetici:0) Başka bir meydan okumadır. İki yüksek seviyeli sensör akışı, engel algılamayı gerçekleştirmek, yol planlamasını yapmak ve kontrol döngüsünü milisans içindeki tüm kontrol döngüyü kapatmak, gömülü platformların sınırlarını zorlamak için geçerlidir. Edge AI hızlandırıcıları (örneğin, Google Coral) yaygın hale geliyor, ancak düşük gecikmeli gecikmeli gecikme için algoritmaları optimize ediyor.

[FONT:0)Power tüketimi[DÜT:1], batarya destekli robotlar için kritik bir kısıtlamadır. Yüksek uç Lidar birimleri on dört watt çizebilir ve işleme robotun operasyonel süresi ile sensör seçimi daha fazla eklenmelidir.

[FONT:0]Cost[[Dönetici:0) tarihsel olarak Lidar'ı yüksek uç robotlara sınırlıyor, ancak sağlam devlet ve flaş Lidar fiyatları aşağı sürüyor. Radar nispeten uygun fiyatlı kalıyor, birleştirilmiş çözümü giderek daha erişilebilir hale getiriyor.

Önümüzdeki birkaç trend, bir sonraki engelin kaçınma robotlarını şekillendirecektir.ETHFLT:0) Solid-state Lidar) hareket eden parçalar, güvenilir ve sabit olmayan verilerle birlikte el sanatları:2.4D görüntüleme radarı[DD) kenar durumlarda Lidar'ı karar verirken, güvenlik standartlarının ötesine taşıyacaktır[D)

Gerçek Dünya Uygulamaları

Lidar-radar füzyon tarafından mümkün olan gelişmiş engel, zaten endüstrileri dönüştürmektedir:

  • [FONT:0] Özerk Araçlar:[Dönetici:[Dönetici: 8] Waymo ve Cruise gibi şirketlerden gelen arabalar Lidar, radar ve kameraların şehir sokaklarını gezmelerini sağlar.
  • [FONT:0]Warehouse Robotics: [Dönetici: Otomatik yönlendirme araçları (AGV) ve otonom mobil robotlar (AMRs) lojistik merkezlerinde çarpışmalardan kaçınır, işçiler ve diğer makineler, tozlu ortamlarda bile yüksek tutmak.
  • [FONT:0]Agricultural Robots:[Dönetici:[Dönetici: 0,4] Alan robotları Lidar-radar füzyonlarını ağaçlar, kayalar ve sulama ekipmanlarında çalışırken, toz çiftlikleri eşitsiz arazide çalışır.
  • [FONT:0) Arama ve Kurtarma: [Dönetici: 0: 1] Sigara dolu veya pisleşmiş felaket bölgelerinde kullanılan robotlar, Lidar'ın çevre hakkında ayrıntılı haritalar sağladığında radarın yeteneklerinin içine güveniyor.
  • [FONT:0)Son-Mile Teslimat:[Döntgen:[Dönetici:0)[Döntgen:0)Son teslim:[Döntgen:[Dönetici:[Dönetici: 1) Sidewalk teslimat robotları, yayalardan kaçınmak için daha küçük, daha düşük maliyetli sensörler, kesintiler ve diğer kentsel engeller.

Bu teknolojilerin arkasındaki ilkeler hakkında daha fazla okuma için, bakınız:0) Wikipedia'da (FLT:2)Lidar (İngilizce) ve genel olarak ELTDÜSÜyetim) ve SİFFT (DÜyetim Sistemi) gibi paketler sunar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Gelişen engeli olan robotlar artık Lidar veya radar arasında seçim yapmak meselesi değildir - en yetenekli platformlar hem de akıllı sensör füzyonunu bireysel zayıflıkları aşmak için kullanır. Kalman filtreleri, parçacık filtreleri ve derin öğrenme yöntemleri, bu teknolojiler olgunlaştığımız gibi, çevrelerimizi bir algılama düzeyine ve bu yönde ilerletmeyi bekleyebiliriz - bazı hava kirliliğine karşı daha fazla adım atabilir.