I. Tổng Quan Nghiên Cứu Công Nghệ SLAM Tại ĐHQGHN 2024
Bài toán lập bản đồ là một trong những vấn đề được nghiên cứu chủ yếu của ngành Robot học. Kỹ thuật để robot có thể thực hiện được nhiệm vụ này được gọi là SLAM. Một ví dụ đơn giản về robot lập bản đồ là sử dụng robot có sự điều khiển của con người. Thông qua camera gắn trên robot, người điều khiển có thể tiếp nhận thông tin để lập bản đồ những nơi không thể tiếp cận. Trong trường hợp khác, lĩnh vực nghiên cứu về SLAM của ngành robot học đang cố gắng tìm ra phương pháp để robot có thể hoạt động tự động mà không cần bất kỳ sự trợ giúp nào của con người. Mục tiêu của luận văn này là nghiên cứu các kỹ thuật hiện tại và đưa ra một số cải tiến để tăng hiệu quả cho bài toán SLAM tự động.
1.1. Giới Thiệu Bài Toán Lập Bản Đồ và Định Vị SLAM
Bài toán lập bản đồ là một trong những vấn đề được nghiên cứu chủ yếu của ngành Robot học. Xét một robot đơn giản sử dụng một bộ bánh xe có gắn động cơ với các thiết bị vật lý để kiểm soát tốc độ, hướng di chuyển và những cảm biến để thu thập thông tin về môi trường. Nhiệm vụ của robot này là di chuyển để lập bản đồ những nơi con người không thể hoặc không muốn tiếp cận, đồng thời robot tự xác định được vị trí của nó so với những đối tượng xung quanh. Kỹ thuật để robot có thể thực hiện được nhiệm vụ này được gọi là SLAM.
1.2. Ứng Dụng Thực Tế Của SLAM Trong Đời Sống Hiện Nay
Kỹ thuật SLAM giúp cho robot có thể hoạt động được ở nơi có địa hình thường xuyên thay đổi và cập nhật lại thông tin mới nhất về bản đồ khu vực này. Robot vẽ bản đồ còn được sử dụng để thăm dò những nơi con người không thể tiếp cận được như dưới lòng biển sâu, vùng bị thiên tai thảm họa, nơi có chiến sự, hành tinh khác,…
II. Lịch Sử Phát Triển Của Công Nghệ SLAM Nghiên Cứu Tại ĐHQGHN
SLAM là một lĩnh vực chính nhưng tương đối mới của robot học. Mãi đến giữa năm 1980, Smith và Durant –Whyte phát triển một thể hiện của sự không chắc chắn trong định vị. Đây là một bước tiến lớn, quan trọng trong việc tìm kiếm một giải pháp thực tế chứ không phải là lý thuyết cho định vị robot. Bài báo của Smith và Durant- Whyte cung cấp một nền tảng cho việc tìm kiếm cách hàn gắn lỗi. Ngay sau đó một bài báo của Cheeseman, Chatila, và Crowley đã chứng minh sự tồn tại mối tương quan giữa các lỗi của vị trí feature do sai sót trong chuyển động ảnh hưởng đến tất cả các định vị. Đây là bước cuối cùng trong bài toán SLAM như chúng ta biết ngày nay.
2.1. Các Giai Đoạn Phát Triển Quan Trọng Của SLAM
SLAM là một lĩnh vực chính nhưng tương đối mới của robot học. Mãi đến giữa năm 1980, Smith và Durant –Whyte phát triển một thể hiện của sự không chắc chắn trong định vị. Đây là một bước tiến lớn, quan trọng trong việc tìm kiếm một giải pháp thực tế chứ không phải là lý thuyết cho định vị robot.
2.2. Ảnh Hưởng Của Các Nghiên Cứu SLAM Đến Robot Học
Bài báo của Smith và Durant- Whyte cung cấp một nền tảng cho việc tìm kiếm cách hàn gắn lỗi. Ngay sau đó một bài báo của Cheeseman, Chatila, và Crowley đã chứng minh sự tồn tại mối tương quan giữa các lỗi của vị trí feature do sai sót trong chuyển động ảnh hưởng đến tất cả các định vị. Đây là bước cuối cùng trong bài toán SLAM như chúng ta biết ngày nay.
III. Phương Pháp Tiếp Cận SLAM Bằng Bayes Nghiên Cứu Chi Tiết
Trong mục này, sẽ đưa ra những giải thích ngắn cho những thuật ngữ được sử dụng nhiều trong luận văn. Thuật ngữ “feature” được dùng để chỉ một điểm cụ thể trong môi trường mà có thể được phát hiện bởi một robot di động. Thuật ngữ “map” dùng để chỉ vector các vị trí feature. Trong thực tế các feature có thể là những vật thể nằm rải rác trong môi trường xung quanh robot, feature cũng có thể là bức tường hoặc các góc cạnh của địa hình. Khi một feature được tìm thấy, nó sẽ không tồn tại bền vững, bất cứ khi nào các robot thay đổi vị trí, nó mất theo dõi tất cả các feature đã phát hiện và sẽ cần phải tìm thấy chúng một lần nữa.
3.1. Các Thuật Ngữ Cơ Bản Trong Nghiên Cứu SLAM
Trong mục này, sẽ đưa ra những giải thích ngắn cho những thuật ngữ được sử dụng nhiều trong luận văn. Thuật ngữ “feature” được dùng để chỉ một điểm cụ thể trong môi trường mà có thể được phát hiện bởi một robot di động. Thuật ngữ “map” dùng để chỉ vector các vị trí feature.
3.2. Vai Trò Của Feature Trong Bài Toán SLAM
Trong thực tế các feature có thể là những vật thể nằm rải rác trong môi trường xung quanh robot, feature cũng có thể là bức tường hoặc các góc cạnh của địa hình. Khi một feature được tìm thấy, nó sẽ không tồn tại bền vững, bất cứ khi nào các robot thay đổi vị trí, nó mất theo dõi tất cả các feature đã phát hiện và sẽ cần phải tìm thấy chúng một lần nữa.
3.3. Yêu Cầu Về Ước Lượng Khoảng Cách Trong SLAM
Một điều kiện cần để thực hiện bài toán lập bản đồ là robot phải ước lượng được khoảng cách từ nó đến các feature tìm được. Nếu một feature là kích thước vật lý đã biết, kích cỡ ước lượng được của feature có thể chỉ ra khoảng cách. Một phương pháp khác là sử dụng nhiều camera và kỹ thuật ảnh nổi để đo khoảng cách đường chéo. Ngoài ra, có thể đo khoảng cách bằng cảm biến hồng ngoại (IR sensor) hoặc cảm biến siêu âm (Ultrasonic sensor)…
IV. Ứng Dụng Thuật Toán Kalman Filter Trong Nghiên Cứu SLAM
Kỹ thuật KF là một lựa chọn phổ biến cho các nhà nghiên cứu SLAM. Một phần là do KF có khả năng kết hợp tất cả các phép đo có sẵn và cung cấp một ước lượng bình phương của quá trình trạng thái. Hơn nữa, trong bài toán SLAM, SLAM sẽ là bình thường nếu các cảm biến của robot có nhiễu tự do, xử lý có thể là mục đích quan trọng của KF. Cuối cùng, KF hoạt động tốt trong thực tế và vì vậy các nhà nghiên cứu tiếp tục sử dụng nó.
4.1. Tổng Quan Về Kalman Filter KF Trong SLAM
Kỹ thuật KF là một lựa chọn phổ biến cho các nhà nghiên cứu SLAM. Một phần là do KF có khả năng kết hợp tất cả các phép đo có sẵn và cung cấp một ước lượng bình phương của quá trình trạng thái.
4.2. Ưu Điểm Của Kalman Filter Trong Xử Lý Dữ Liệu Cảm Biến
Hơn nữa, trong bài toán SLAM, SLAM sẽ là bình thường nếu các cảm biến của robot có nhiễu tự do, xử lý có thể là mục đích quan trọng của KF. Cuối cùng, KF hoạt động tốt trong thực tế và vì vậy các nhà nghiên cứu tiếp tục sử dụng nó.
V. FastSLAM và DPSLAM Giải Pháp Tiên Tiến Cho SLAM
Luận văn này trình bày các phương pháp cho bài toán SLAM. Phát triển bộ lọc đơn giản sẽ xây dựng một bộ lọc Kalman đơn giản cho bài toán ước lượng tĩnh gần như tương tự nhưng đơn giản hơn các bài toán SLAM. sẽ được điều chỉnh để mô tả bài toán SLAM. Bộ lọc Kalman và SLAM. Kỹ thuật KF là một lựa chọn phổ biến cho các nhà nghiên cứu SLAM.
5.1. Giới Thiệu Về FastSLAM và DPSLAM
Luận văn này trình bày các phương pháp cho bài toán SLAM. Phát triển bộ lọc đơn giản sẽ xây dựng một bộ lọc Kalman đơn giản cho bài toán ước lượng tĩnh gần như tương tự nhưng đơn giản hơn các bài toán SLAM.
5.2. Ứng Dụng và So Sánh FastSLAM và DPSLAM
Bộ lọc Kalman và SLAM. Kỹ thuật KF là một lựa chọn phổ biến cho các nhà nghiên cứu SLAM.
VI. Kết Luận và Hướng Phát Triển Nghiên Cứu SLAM Tại ĐHQGHN
Bài toán mô phỏng. Những thuật toán được mô tả ở các mục trên đều yêu cầu đầu vào không có trong thực tế. Bài toán định vị trả về kết quả là pose của robot nhưng yêu cầu vị trí của những feature(tức là một bản đồ)lại cần phải chính xác như là đầu vào ở mỗi bước lặp của thuật toán. Ngược lại, thuật toán lập bản đồ tạo ra một bản đồ nhưng cần một pose để làm đầu vào. Đầu vào của mỗi quá trình là đầu ra của yêu cầu khác mà chúng có liên quan và có thể được kết hợp thành một phương pháp duy nhất.
6.1. Tổng Kết Các Kết Quả Nghiên Cứu SLAM
Bài toán mô phỏng. Những thuật toán được mô tả ở các mục trên đều yêu cầu đầu vào không có trong thực tế.
6.2. Hướng Nghiên Cứu SLAM Tiềm Năng Trong Tương Lai
Bài toán định vị trả về kết quả là pose của robot nhưng yêu cầu vị trí của những feature(tức là một bản đồ)lại cần phải chính xác như là đầu vào ở mỗi bước lặp của thuật toán. Ngược lại, thuật toán lập bản đồ tạo ra một bản đồ nhưng cần một pose để làm đầu vào.
