Algorytmy Nawigacji Robotów Mobilnych: Wprowadzenie do nawigacji robotów mobilnych
Pierwsza grupa algorytmów, oparta na geometrii znaczników potencjalnie zapewnia dużą odporność (brak założeń lub ograniczone założenia dotyczące modelu robota) lokalizacji robota i wysoką stabilność długoterminową (tj. gwarantują stabilność rozwiązania). Ich wadami, które wynikają nie tyle z podstaw teoretycznych, ale z ograniczonych współczesnych możliwości technicznych, jest stosunkowo niewielka dokładność krótkoterminowa (występowanie znacznego szumu pomiarowego) oraz duże opóźnienia komunikacyjne. Z kolei druga klasa algorytmów, która wykorzystuje model procesu opisującego ruch pojazdu nie gwarantuje stabilnego wyniku w sensie długoterminowym. Metody przyrostowe są zwykle stosunkowo proste w implementacji, mają dobrą dokładność krótkoterminową oraz cechują się dobrą dynamiką i małymi opóźnieniami pomiarowymi.
Można powiedzieć, że metody statyczne i dynamiczne są względem siebie komplementarne. Między innymi z tego powodu w rozwiązaniu problemu lokalizacji robota zachodzi konieczność realizacji fuzji danych w oparciu o informacje zwracane przez różne zestawy czujników i systemów pomiarowych. W tym celu korzysta się z obserwatorów, tj. układów dynamicznych które w oparciu o założony model procesu wyznaczają estymatę poszukiwanych zmiennych. Typowo do rozwiązania tego problemu korzysta się z obserwatorów liniowych Luenbergera, filtru Kalmana oraz rozwiązań pokrewnych (rozszerzony filtr Kalmana, filtracja cząsteczkowa, itd.). W tym opracowaniu nie będziemy tego zagadnienia szerzej omawiali.
[1] J. Borenstein, redaktor. Where am I - Systems and Methodsfor Mobile Robot Positioning. 1996.
[2] R. Siegwart, I. Nourbakhsh. Introduction to Autonomous Mobile Robots. MIT, 2004.
Autor: D. Pazderski, v. 1.0, 9/2012