المصدر: جامعة القاهرة
الفكرة الأساسية
تطوير نظام SLAM* منخفض التكلفة وفعال باستخدام كاميرا استريو* كمستشعر رئيسي للمسافات، يمكنه رسم خريطة للبيئة الغير المعروفة وتحديد موقع الروبوت داخل هذه الخريطة بدون الحاجة إلى أجهزة استشعار خارجية، مع إمكانية تطبيقه في مجالات متنوعة مثل التنظيف والأمن والاستكشاف.
تفاصيل القصة
يعتبر نظام SLAM (التوطين والرسم المتزامن)* عملية حاسوبية تهدف إلى إنشاء خريطة لبيئة غير معروفة باستخدام روبوت متحرك*، مع تحديد موقعه داخل تلك الخريطة. يواجه هذا النظام تحديات كبيرة حيث أن عملية الرسم تتطلب التوطين، والعكس صحيح. يعتمد الروبوت على أجهزة استشعار داخلية للتنقل وفهم البيئة المحيطة، دون الحاجة إلى أجهزة استشعار خارجية مثل نظام تحديد المواقع العالمي (GPS)* أو نظام تحديد المواقع الداخلي (IPS).
في هذا البحث، قام العلماء بتصميم وتطوير نظام SLAM* منخفض التكلفة يعتمد على كاميرا استريو* كجهاز استشعار رئيسي للمسافات. يتكون النظام من أربعة أجزاء رئيسية:
الروبوت المستخدم هو روبوت ذو عجلات تفاضلية مزودة بمرمّزات بصرية للعجلات لتقدير الموقع والاتجاه. يتم التحكم في الروبوت بواسطة لوحة Arduino التي تتواصل مع الحاسوب الصغير.
الكاميرا المستخدمة هي وحدة Kinect من Xbox 360، التي تلتقط الصور البيئية وتحسب العمق باستخدام تقنيات الرؤية الحاسوبية. تتصل الكاميرا بحاسوب Raspberry Pi 3 عبر USB، والذي يقوم بتشغيل خوارزمية SLAM* ومعالجة البيانات الواردة من الكاميرا ومرمّزات العجلات، ويتواصل لاسلكياً مع المحطة الأرضية عبر راوتر Wi-Fi*.
يعمل Raspberry Pi 3 بنظام لينكس ويشغّل خوارزمية SLAM* ويعالج بيانات الروبوت. أما المحطة الأرضية فهي عبارة عن لابتوب يعالج المعلومات الواردة من الروبوت ويبني خريطة البيئة ويقدر موقع الروبوت، ويستخدم نظام التشغيل الروبوتي (ROS)* لعرض الخرائط والتواصل مع الحاسوب الصغير.
الخوارزمية المستخدمة هي خوارزمية Rao-Blackwellized Particle Filter* - التصفية الجسيمية* (FastSLAM)، التي تجمع بين التصفية الجسيمية* وتقنية Rao-Blackwellized*. تقسم FastSLAM المشكلة إلى توطين الروبوت وتقدير مواقع المعالم، باستخدام فلتر جسيمات معدّل لمسار الروبوت وتصفية كالمان* متعددة لمواقع المعالم.
تم اختبار النظام في بيئات افتراضية وواقعية داخلية، ونجح في تحديد ورسم معالم البيئة بدقة. أجرى الباحثون تجربتين: واحدة في ممر طويل مع وجود عقبات، وأخرى في قاعة كبيرة مليئة بالعقبات. أظهرت النتائج قدرة النظام على التعرف على الأشياء ورسمها بنجاح.
يمكن استخدام النظام في مجالات متعددة تتطلب الملاحة الذاتية ورسم الخرائط للبيئات غير المعروفة، مثل مهمات الاستكشاف والإنقاذ في المناطق الخطرة، والمراقبة الأمنية، ومهام الخدمة والترفيه في الفنادق والمتاحف، بالإضافة إلى التعليم والبحث في مجال الروبوت والرؤية الحاسوبية.
أثبت النظام فعاليته وانخفاض تكلفته في تنفيذ مهام SLAM* في البيئات الداخلية غير المعروفة، مع إمكانية تطبيقه في الاستخدامات التجارية مثل التنظيف وجمع القمامة في المراكز التجارية. يقترح الباحثون تحسين النظام بإضافة المزيد من أجهزة الاستشعار وتحسين خوارزمية SLAM* ودمج وظائف ملاحة إضافية مستقبلاً.
المصطلحات الأساسية(*)