ایرنا/پژوهشگران اسپانیایی سامانه‌ای ساخته‌اند که به ربات‌ها کمک می‌کند حتی در محیط‌های بزرگ و متغیر، بدون کمک ماهواره، جای خود را پیدا کنند و اگر جابه‌جا شدند (یا ربوده شدند!) دوباره موقعیت‌شان را بازیابند.

ربات‌های خودران برای حرکت در محیط باید مدام موقعیت خود را بدانند، اما جی‌پی‌اس همیشه در دسترس نیست؛ نزدیک ساختمان‌ها سیگنال ضعیف می‌شود و داخل ساختمان هم دیگر خبری از آن نیست.

یکی از چالش‌برانگیزترین مسائل در رباتیک، مشکل ربات ربوده‌شده است یعنی وضعیتی که ربات پس از جابه‌جاشدن، خاموش‌شدن یا انتقال به مکانی دیگر، اطلاعات موقعیت اولیه خود را از دست می‌دهد. پژوهشگران دانشگاه میگل هرناندز در اسپانیا روشی سلسله‌مراتبی برای موقعیت‌یابی ابداع کرده‌اند که این مشکل را حل می‌کند.

نتایج این مطالعه در مجله بین‌المللی سامانه‌های هوشمند/ International Journal of Intelligent Systems منتشر شده است. این سامانه که MCL-DLF (سرواژه Monte Carlo Localization – Deep Local Features به معنای موقعیت‌یابی مونت کارلو با ویژگی‌های محلی عمیق) نام دارد، یک سامانه موقعیت‌یابی سه‌بعدی با استفاده از داده‌های لیدار (فناوری ساخت نقشه سه‌بعدی از محیط با لیزر) است که برای ناوبری طولانی‌مدت در محیط‌های بزرگ طراحی شده است.

این روش در محوطه دانشگاه میگل هرناندز و در شرایط مختلف (داخل و خارج ساختمان) طی چندین ماه آزمایش و تأیید شده است.

الهام از روش انسان‌ها برای پیداکردن مسیر

رویکرد جدید از شیوه‌ای الهام گرفته که خود ما انسان‌ها در محیط‌های ناآشنا به کار می‌بریم:

موقعیت‌یابی کلی: ربات ابتدا منطقه تقریبی خود را بر اساس شکل کلی ساختمان‌ها و درختان که از نقشه سه‌بعدی حاصل از لیدار استخراج می‌کند، شناسایی می‌کند؛

موقعیت‌یابی دقیق: پس از محدودشدن منطقه، ربات با بررسی دقیق محیط اطراف، موقعیت و جهت دقیق خود را تخمین می‌زند.

میریام ماکسیمو (Míriam Máximo)، پژوهشگر دانشگاه میگل هرناندز و نویسنده اصلی مقاله، توضیح می‌دهد: این شبیه به این است که انسان‌ها ابتدا یک منطقه کلی را تشخیص دهند و سپس با تکیه بر جزئیات کوچک، مکان دقیق خود را پیدا کنند.

 حرکت یک ربات سیار در محوطه دانشگاه میگل هرناندز با استفاده از سامانه موقعیت‌یابی MCL-DLF که امکان تعیین موقعیت دقیق را حتی با تغییر محیط در طول زمان فراهم می‌کند.

یادگیری عمیق به کمک موقعیت‌یابی می‌آید

برای جلوگیری از اشتباه در محیط‌های مشابه، این روش با بهره‌گیری از یادگیری عمیق طراحی شده است. ربات یاد می‌گیرد کدام ویژگی‌های محیطی برای موقعیت‌یابی مفیدترند، نه اینکه به قوانین از پیش تعیین‌شده تکیه کند. این ویژگی‌های یادگرفته‌شده با روش تخمین موقعیت بر اساس احتمالات ترکیب می‌شوند که چندین حدس‌ ربات درباره مکانش را حفظ و با دریافت داده‌های جدید، آن‌ها را به‌روز می‌کند.

مقاوم در برابر تغییرات محیطی

یکی از چالش‌های بزرگ در ناوبری طولانی‌مدت ربات‌ها، تغییرات محیطی است. فضاهای بیرونی به دلیل تغییر فصل، رشد گیاهان یا تفاوت نور، ظاهر متفاوتی پیدا می‌کنند.

پژوهشگران گزارش می‌دهند که سامانه MCL-DLF دقت موقعیت‌یابی بالاتری نسبت به روش‌های معمول دارد و تخمین جهت آن نیز در برخی مسیرها بهتر یا برابر است. نکته مهم‌تر اینکه این سامانه در طول زمان پایداری بیشتری نشان داده و در برابر تغییرات فصلی و ساختاری مقاوم است.

مسیرهای حرکتی که برای اعتبارسنجی چارچوب موقعیت‌یابی در فصل‌ها و شرایط محیطی مختلف در محوطه دانشگاه میگل هرناندز استفاده شده است

کاربردها در دنیای واقعی

موقعیت‌یابی مطمئن برای بسیاری از فناوری‌ها حیاتی است:

ربات‌های خدماتی

خودکارسازی انبارداری و حمل‌ونقل

بازرسی زیرساخت‌ها

پایش محیط‌زیست

خودروهای خودران

در همه این حوزه‌ها، عملکرد ایمن به تخمین پایدار و دقیق موقعیت در شرایط پویای دنیای واقعی وابسته است.

گامی به سوی ربات‌های خودران

اگرچه ناوبری کاملاً خودران همچنان یکی از چالش‌های اصلی رباتیک است، این پژوهش ربات‌ها را به عملیات مطمئن در محیط‌های بزرگ و متغیر بدون نیاز به زیرساخت‌های خارجی نزدیک‌تر می‌کند.

توصیه‌های کاربردی

اگر روزی رباتی دیدید که گیج به نظر می‌رسد، نگران نباشید. شاید فقط دارد الگوریتم موقعیت‌یابی سلسله‌مراتبی خود را اجرا می‌کند: اول منطقه کلی را پیدا می‌کند، بعد سراغ جزئیات می‌رود. درست مثل ما انسان‌ها وقتی در یک شهر جدید دنبال خیابان مدنظرمان می‌گردیم.