Точная локализация является предпосылкой безопасного и достоверного поведения при навигации. Локализация роботов была рассмотрена во многих исследованиях.
Во многих случаях робот хорошо работает с картами ориентиров, но с глобальной проблемой локализации трудно справиться. Эту проблему можно решить с помощью локализации Маркова, которая отслеживает представление о положении робота в общем возможном пространстве.
Однако марковская локализация ограничена размером дискретных состояний (обычно это сетки на карте) и не применима для больших сред с высоким разрешением. Локализация по методу Монте-Карло - это современный метод локализации роботов, который может работать с различными шумами и концентрировать вычисления в наиболее возможных областях. Однако он плохо работает в динамических средах, где данные датчика часто искажаются.
В реальном торговом центре динамическая среда обусловлена оформлением магазина, временными ларьками, заменой рекламного щита, улучшением инфраструктуры и так далее. Все это относится к постепенным изменениям, потому что они меняются со временем медленно. Другой вид динамических изменений - это поток толп, которые часто заставляют среду изменяться быстро.
Чтобы справиться с этими ситуациями, MCL принят в качестве основного метода выбора стратегии в различных динамических условиях, что делает его более адаптивным и стабильным в высокодинамичных торговых центрах. Между тем, применяется калибровка одометрии, чтобы гарантировать, что робот не полностью быстро потеряет свою позицию в исключительных случаях.
Калибровка одометрии
Типичная и непростая динамика в торговых центрах в плотных потоках людей, которые часто блокируют большинство лазерных лучей, что делает данные датчика сильно загрязненными. Хуже всего то, что иногда людям нравится стоять вокруг робота и наблюдать, как другие клиенты взаимодействуют с роботом; лазерные данные полностью не соответствуют предварительно построенной карте. В таких случаях наиболее достоверным восприятием являются внутренние данные, то есть одометрия.
Важность одометрии уже подчеркивалась во многих работах. Она считается самой дешевой, стабильной и самоподдерживающей методом позиционирования. Даже во многих новейших роботизированных технологиях он играет незаменимую роль в качестве априорных знаний. Но одометрия часто страдает от систематических и несистематических ошибок, что приводит к значительному снижению производительности. Таким образом, калибровка одометрии тщательно разработана и выполнена, чтобы гарантировать точность слепой локализации.
Управление навигацией
В ранних работах было предложено множество методов для обеспечения безопасной навигации в динамических средах. Общая идея состоит в том, чтобы разбить модуль навигации на два уровня: глобальный планировщик и локальный контроллер.
Глобальный планировщик стремится найти сквозной путь от текущей позиции к цели в соответствии с некоторыми критериями, такими как предотвращение столкновения и уменьшение пройденного расстояния. Локальный контроллер должен определить немедленные действия для приводов робота, которые реагируют на динамические изменения и обеспечит безопасность.
Последние работы склонны к созданию дружественной для человека навигации в условиях сосуществования с людьми, которая пытается заставить роботов вести себя более естественно в рамках своих способностей. Навигация в KeJia продолжает принимать многоуровневую структуру и делает упор на обработку быстрых изменений, вызванных клиентами. Быстрые изменения влияют как на глобальный планировщик пути, так и на локальный контроллер, и предлагаемый метод может повысить эффективность планирования пути и характер поведения.
Планирование пути при частых блокировках
В торговых центрах многие узкие перекрестки делают среду сложной сетью, и покупатели в какой-то момент часто блокируют проходы, что приводит к изменению связности среды. В традиционной двухслойной навигации местный планировщик не может найти действительную команду, если она заблокирована толпами, глобальная перепланировка будет запущена.
Но эта идея не в полной мере применима по следующим причинам:
- Робот может двигаться вперед и назад между двумя часто блокируемыми проходами без прогресса;
- Определение глобального пути на всей карте занимает много времени;
- Делать длинный обход иногда хуже, чем просто ждать.
Делая дальнейший анализ, глобальный планировщик стремится найти последний возможный путь с динамическими изменениями на всей карте, путь может сильно колебаться, и длина пути не учитывается, но локальный контроллер просто следует глобальному пути, что приводит к необоснованному поведению.
Чтобы устранить эту дисгармонию между глобальным и локальным планировщиками, используется промежуточный уровень, чтобы ограничить поиск пути в соответствующем диапазоне и избежать ненужного глобального перепланирования.