Александр Павлович Барсуков
Кто есть кто в робототехнике
Выпуск I
Компоненты и решения для создания роботов и робототехнических систем
Введение
Этот идиллический пейзаж (рис. 1) из каталога фирмы FLIR Systems отразил тенденции развития робототехники. Хотя, строго говоря, робот здесь всего один – беспилотный самолёт. Но всё остальное насыщено элементами робототехники и вбирает такие её свойства, как мобильность, скоординированность действий, многосенсорность (на рис. 2 – шкала электромагнитных колебаний, на всё большем протяжении участков которой работают сенсоры роботов), умение ориентироваться в пространстве.
Рис. 1
Рис. 2
Одно из характерных направлений исследовательской деятельности сегодня – единая среда навигации Universal Location Framework, в разработке которой ключевую роль играет исследовательское подразделение корпорации Intel. Оснащение вычислительных платформ, таких как карманные устройства и ноутбуки средствами определения местоположения позволяет создать среду для разработки множества новых моделей использования вычислительного оборудования. Каждая из этих новых моделей открывает возможность увеличения размеров всемирной беспроводной экосистемы. В корпорации Intel платформы, способные получать и использовать информацию о местоположении, называют «вычислительными системами для обработки информации о местоположении» (Location-Aware Computing, LAC).
После того как Федеральное управление связи США постановило, что каждый сетевой оператор обязан внедрить технологию Enhanced 911 (Е-911) для повышения надежности и эффективности работы скорой помощи, внимание отрасли к услугам на основе информации о местонахождении (Location-Based Services, LBS) значительно выросло. Даже модели, позволяющие получить не совсем точные данные о местонахождении – с погрешностью 15–30 метров – представляются весьма ценными и для разработчиков и для пользователей.
Текущая ситуация в области услуг на базе информации о местоположении характеризуется наличием множества технологий определения местоположения. В настоящее время среди технологий определения местоположения можно выделить хорошо известные: такие как системы глобального позиционирования (GPS) и триангуляции (клеточного разбиения) в сотовых сетях с использованием технологии Enhanced Observed Time of Difference (E-OTD) и новые технологии, например, на основе сигналов цифрового телевидения (DTV), ультраширокополосной связи (UWB) беспроводных локальных сетей (Wi-Fi) и так далее. Все эти технологии можно условно отнести к двум группам: на основе сетей и на основе устройств. Их также можно разделить с точки зрения среды применения, например, в помещениях или на открытом пространстве.
Различные среды требуют различных способов определения местоположения. Почему существует так много различных технологий определения местоположения? В частности потому, что существуют различные среды, в которых этим платформам приходится определять местоположение. Поскольку каждая из систем предназначена для использования в определенной среде, единая платформа, способная работать во всех средах, должна поддерживать целый набор технологий. К примеру, если нужно найти местоположение пользователя внутри здания, платформа может воспользоваться технологией, показывающей наилучшие результаты в помещениях, например, средствами беспроводной сети. С другой стороны, когда тот же пользователь выходит на улицу и желает узнать, в каком направлении находится интересующий его пункт, платформа может использовать систему GPS. Более того, иногда даже важно знать, что двое людей находятся не в разных комнатах, а в одной.
Существуют следующие ограничения для технологий определения местоположения:
• GPS (радиочастотная технология). Данные о местоположении – абсолютные. Точность 1–5 м, 95 %. Недостатки – низкие результаты внутри зданий.
• E-OTD (радиочастотная технология). Данные о местоположении – абсолютные. Точность 150–300 м, 95 %. Недостатки – необходимость находиться в зоне покрытия сети сотовой связи.
• Средства беспроводной сети (радиочастотная технология). Данные о местоположении – относительные. Точность 100 м. Недостатки – в основном подходит для использования в помещениях.
• RFID (пассивная технология). Данные о местоположении – относительные. Недостатки – приблизительность.
Разнообразие этих показателей и различные модели использования заставляют сделать вывод, что не существует единой наилучшей технологии позиционирования, обеспечивающей конечному пользователю оптимальный результат во всех возможных средах и ситуациях. Однако во многих случаях «единая наилучшая технология» и не требуется. В качестве альтернативного решения можно объединить или агрегировать информацию о местоположении, собранную с помощью всех этих технологий, и дать единую, наилучшую оценку местоположения на базе данных, полученных от всех технологий позиционирования, существующих на данный момент. Именно для этого и предназначена среда Universal Location Framework.
Различные системы определения местоположения представляют выходные данные в разных форматах с различными уровнями разрешения и точности. Тем не менее, можно выделить несколько основных принципов измерений.
• Существуют фундаментальные методы измерения.
• Существуют стандартные способы комбинирования результатов измерений.
• Существуют стандартные взаимосвязи между объектами.
• Приложения связаны с деятельностью пользователей.
• Важно учитывать степень неточности результатов.
Исследователи воспользовались методами, применяемыми в статистике и в системах компьютерного зрения, чтобы объединить результаты измерений, учитывая при этом степень их неточности (модель произвольного распределения вероятностей) при помощи метода, известного как «фильтрация частиц».
Объединение технологий важно не только для того, чтобы клиент мог пользоваться несколькими технологиями определения местоположения, но и чтобы он мог легко переключаться от одной технологии к другой при переходе из одной среды в другую. Таким образом, одновременная поддержка нескольких технологий позиционирования необходима для того, чтобы платформа могла надежно, точно и осмысленно передавать приложениям информацию о местоположении. К примеру, представьте себе пользователя, входящего в здание. Находясь снаружи, он получает информацию о местонахождении при помощи GPS-приемника. Внутри здания этот приемник уже не может получать информацию с GPS-спутников. Но платформа оснащена интерфейсом доступа к беспроводной сети, который позволяет получать информацию на основе данных о силе сигнала, поступающего на несколько базовых станций беспроводной сети. Единственное изменение, которое «ощутит» приложение, – это изменение степени точности получаемой информации о местоположении. Но благодаря гладкому переходу к беспроводной сети никаких перерывов в поступлении информации о местоположении не происходит.
С помощью этой информации пользователь может получить услуги – найти, где находится ближайший принтер, свободный конференц-зал, доступная рабочая станция, точка общественного питания или ресторан, заправка и т. п. Например: платформа выдает карту здания и маршрут движения в конференц-зал на 32-м этаже в северо-восточном крыле здания, где назначена встреча. А поскольку сегодня создаются мобильные роботы для путешествия внутри зданий, мы в нашем справочнике рассмотрим различные принципы работы их навигации.
Одно из характерных направлений исследовательской деятельности сегодня – единая среда навигации Universal Location Framework, в разработке которой ключевую роль играет исследовательское подразделение корпорации Intel. Оснащение вычислительных платформ, таких как карманные устройства и ноутбуки средствами определения местоположения позволяет создать среду для разработки множества новых моделей использования вычислительного оборудования. Каждая из этих новых моделей открывает возможность увеличения размеров всемирной беспроводной экосистемы. В корпорации Intel платформы, способные получать и использовать информацию о местоположении, называют «вычислительными системами для обработки информации о местоположении» (Location-Aware Computing, LAC).
После того как Федеральное управление связи США постановило, что каждый сетевой оператор обязан внедрить технологию Enhanced 911 (Е-911) для повышения надежности и эффективности работы скорой помощи, внимание отрасли к услугам на основе информации о местонахождении (Location-Based Services, LBS) значительно выросло. Даже модели, позволяющие получить не совсем точные данные о местонахождении – с погрешностью 15–30 метров – представляются весьма ценными и для разработчиков и для пользователей.
Текущая ситуация в области услуг на базе информации о местоположении характеризуется наличием множества технологий определения местоположения. В настоящее время среди технологий определения местоположения можно выделить хорошо известные: такие как системы глобального позиционирования (GPS) и триангуляции (клеточного разбиения) в сотовых сетях с использованием технологии Enhanced Observed Time of Difference (E-OTD) и новые технологии, например, на основе сигналов цифрового телевидения (DTV), ультраширокополосной связи (UWB) беспроводных локальных сетей (Wi-Fi) и так далее. Все эти технологии можно условно отнести к двум группам: на основе сетей и на основе устройств. Их также можно разделить с точки зрения среды применения, например, в помещениях или на открытом пространстве.
Различные среды требуют различных способов определения местоположения. Почему существует так много различных технологий определения местоположения? В частности потому, что существуют различные среды, в которых этим платформам приходится определять местоположение. Поскольку каждая из систем предназначена для использования в определенной среде, единая платформа, способная работать во всех средах, должна поддерживать целый набор технологий. К примеру, если нужно найти местоположение пользователя внутри здания, платформа может воспользоваться технологией, показывающей наилучшие результаты в помещениях, например, средствами беспроводной сети. С другой стороны, когда тот же пользователь выходит на улицу и желает узнать, в каком направлении находится интересующий его пункт, платформа может использовать систему GPS. Более того, иногда даже важно знать, что двое людей находятся не в разных комнатах, а в одной.
Существуют следующие ограничения для технологий определения местоположения:
• GPS (радиочастотная технология). Данные о местоположении – абсолютные. Точность 1–5 м, 95 %. Недостатки – низкие результаты внутри зданий.
• E-OTD (радиочастотная технология). Данные о местоположении – абсолютные. Точность 150–300 м, 95 %. Недостатки – необходимость находиться в зоне покрытия сети сотовой связи.
• Средства беспроводной сети (радиочастотная технология). Данные о местоположении – относительные. Точность 100 м. Недостатки – в основном подходит для использования в помещениях.
• RFID (пассивная технология). Данные о местоположении – относительные. Недостатки – приблизительность.
Разнообразие этих показателей и различные модели использования заставляют сделать вывод, что не существует единой наилучшей технологии позиционирования, обеспечивающей конечному пользователю оптимальный результат во всех возможных средах и ситуациях. Однако во многих случаях «единая наилучшая технология» и не требуется. В качестве альтернативного решения можно объединить или агрегировать информацию о местоположении, собранную с помощью всех этих технологий, и дать единую, наилучшую оценку местоположения на базе данных, полученных от всех технологий позиционирования, существующих на данный момент. Именно для этого и предназначена среда Universal Location Framework.
Различные системы определения местоположения представляют выходные данные в разных форматах с различными уровнями разрешения и точности. Тем не менее, можно выделить несколько основных принципов измерений.
• Существуют фундаментальные методы измерения.
• Существуют стандартные способы комбинирования результатов измерений.
• Существуют стандартные взаимосвязи между объектами.
• Приложения связаны с деятельностью пользователей.
• Важно учитывать степень неточности результатов.
Исследователи воспользовались методами, применяемыми в статистике и в системах компьютерного зрения, чтобы объединить результаты измерений, учитывая при этом степень их неточности (модель произвольного распределения вероятностей) при помощи метода, известного как «фильтрация частиц».
Объединение технологий важно не только для того, чтобы клиент мог пользоваться несколькими технологиями определения местоположения, но и чтобы он мог легко переключаться от одной технологии к другой при переходе из одной среды в другую. Таким образом, одновременная поддержка нескольких технологий позиционирования необходима для того, чтобы платформа могла надежно, точно и осмысленно передавать приложениям информацию о местоположении. К примеру, представьте себе пользователя, входящего в здание. Находясь снаружи, он получает информацию о местонахождении при помощи GPS-приемника. Внутри здания этот приемник уже не может получать информацию с GPS-спутников. Но платформа оснащена интерфейсом доступа к беспроводной сети, который позволяет получать информацию на основе данных о силе сигнала, поступающего на несколько базовых станций беспроводной сети. Единственное изменение, которое «ощутит» приложение, – это изменение степени точности получаемой информации о местоположении. Но благодаря гладкому переходу к беспроводной сети никаких перерывов в поступлении информации о местоположении не происходит.
С помощью этой информации пользователь может получить услуги – найти, где находится ближайший принтер, свободный конференц-зал, доступная рабочая станция, точка общественного питания или ресторан, заправка и т. п. Например: платформа выдает карту здания и маршрут движения в конференц-зал на 32-м этаже в северо-восточном крыле здания, где назначена встреча. А поскольку сегодня создаются мобильные роботы для путешествия внутри зданий, мы в нашем справочнике рассмотрим различные принципы работы их навигации.
Глава 1
Ориентирование робота в пространстве и распознавание окружающей среды
1. Самонаведение, основанное на безотносительном (абсолютном) местоположении
(по книге Joseph L. Jones «Robot Programming» – рис.1.1)
Рис 1.1
Системы, в основе работы которых лежат реакции на окружающую обстановку, часто используются, чтобы выполнить задачи, для решения которых доступна только «местная» информация. Из-за этого может сложиться впечатление, что такие системы испытывают трудности с подключением к «глобальной» информации. На самом же деле системы, реагирующие на окружающую обстановку, могут в полном объёме оперировать и глобальной информацией. Проблема в стоимости информации: если создатель робота согласен оплатить полноценную систему позиционирования, программное обеспечение реагирования робота сможет успешно использовать получаемые данные.
Ряд коммерческих навигационных систем способны предоставить всестороннюю информацию для позиционирования. Сюда входят устройства, которые используют звуковые маяки или оптические маяки, или устройства, которые используют лазерные сканеры – одни или в комплексе с закодированными целями, установленными в окружающей среде робота. Система, которая знакома большинству людей, – глобальная система позиционирования GPS.
Рассмотрим применение GPS в «уличном» роботе (GPS хорошо работает только в пространстве под открытым небом). GPS приемник постоянно вычисляет широту и долготу на основе параметров сигналов, полученных от группировки специальных спутников. Как использовать такую информацию, чтобы довести своего робота к определённому месту назначения?
Для простоты предположим, что наш GPS приёмник оперирует информацией о местоположении относительно данного исходного пункта в форме «XY» (рис. 1.2). Координаты местоположения точки, к которой роботу необходимо двигаться – (Xg, Yg), а текущие координаты робота, снабженного GPS приемником – (Xr, Yr). Вычитание координат показывает, насколько робот должен изменить своё текущее положение (ΔХ, ΔY), чтобы достичь расположения цели. Таким образом, ΔХ = Xg – Xr, и ΔY = Yg – Yr.
Рис. 1.2. Это исходное положение робота, использующего информацию, обеспеченную системой позиционирования. За основу для вычисления курса берётся безотносительное (абсолютное) местоположение робота и цели. Электронный компас (увеличенный вид компаса – слева) позволит роботу следовать найденным курсом
Мы используем систему координат, привязанную к географии Земли, как показано на рисунке, с осью X, направленной на север. Чтобы достичь точки расположения цели, мы должны сделать возможным движение робота по курсу под углом Θ относительно оси X. Элементарная тригонометрия сообщает нам, что угол, под которым мы должны двигаться, определяется из арктангенса изменений в положении «X» и «Y», то есть: Θ = tan-1 (ΔY/ΔX).
Недостаточно знать только абсолютную позицию нашей цели и абсолютную позицию робота; мы должны также знать направление движения робота. Знание о направлении и величине поворота является сущностью самонаведения: требуемый поворот в движении есть разница между курсом, которым робот в настоящее время следует и курсом, по которому мы хотим, чтобы робот следовал.
GPS обеспечивает информацию о местоположении, но непосредственно не дает нам курс робота. Электронный компас поможет заполнить этот пробел. Чтобы направиться к цели, робот поворачивается до тех пор, пока курс, обозначенный компасом, не будет соответствовать требуемому курсу. Робот продолжает раз за разом «консультироваться» с GPS приемником по поводу безотносительного местоположения, вычисляя курс от абсолютных координат местонахождения цели: вычисляет требуемый курс, поворачивается по направлению к цели и продвигается, сокращая расстояние между собой и целью.
Итак, мы справились с проблемой перемещения нашего робота точно к месту и хотим его туда направить? Не совсем. Прежде, чем мы сможем успешно использовать информацию об абсолютном местонахождении, необходимо победить еще одного злодея, который затаился в засаде, готовый наказать новичков. Имя злодея – разрешение. Смотрим рис. 1.3.
Рис. 1.3. Заманчиво воображать, как показано на «а», что система позиционирования установит таблицу координат и, по мере того как наш робот путешествует, система позиционирования будет сообщать ему, которую из ячеек таблицы он занимает. К сожалению, разрешение (также как шум и другие ошибки) ограничивает способность любой системы позиционирования функционировать таким образом. Если разрешение нашей системы позиционирования – R, то при ограничении разрешения будут сомнения в любом измерении координат, сообщенном системой, по крайней мере, на величину ± R. Это означает, что в отличие от координат пикселя на экране компьютера, координаты робота, вычисленные системой позиционирования, можно воспринимать только как предположительные. Пример этого показан в форме чисел на «b». Когда робот занимает определённую ячейку таблицы координат в реальном мире, система позиционирования может сообщить, что робот находится в другой ячейке. То, как ячейки словно блуяздают в разные стороны от их фактических положений, показано на «с» – и они блуяздают непрерывно. Безотносительное позиционирование робота построено на этой сомнительной основе.
Каждая система позиционирования может точно измерить местоположение до некоторого минимума расстояния, но никак не меньше. Например, вы можете использовать линейку длиной в ярд, чтобы измерить расстояние всего в 1/16 дюйма. Но вы не можете использовать эту линейку, чтобы измерить толщину листа бумаги. Такие маленькие расстояния меньше предела разрешения данной линейки. Аналогично, вы не можете использовать одометр вашего автомобиля, чтобы измерить диаметр баскетбольного мяча. И так же за пределами своего разрешения ни одна система позиционирования не выдаст значащую информацию. Таким образом, первый вопрос к любой системе позиционирования – каково её разрешение?
В зависимости от обстоятельств, предел разрешения обычного GPS приемника часто не лучше порядка 10 метров. (Хотя прибор может сообщать о своём местоположении до милиметра, цифры на дисплее есть ложная точность, так как они не последовательны во времени.) Предположим, что мы пытаемся использовать такой приемник (наряду с электронным компасом), чтобы указать роботу путь в соответствии с безотносительным местоположением. Мы используем следующую программу «нацеливания» на требуемое XY-местоположение, выраженное как Dest_vec.
Поведение Home_GPS
Loc_vec = get_GPS_xy () // GPS выдаёт текущий вектор местоположения
Disp_vec = Dest_vec – Loc_vec // Вектор смещения (displacement) к месту назначения (destination)
Dist = magnitude(Disp_vec) // Расстояние (distance) до места назначения
Theta = arctan_vec (Disp_vec) // Вектор смещения определяет требуемый курс
Heading = Get_compass_heading () // Получите от компаса фактический курс робота
If (Dist ≠ 0) // Мы достигли места назначения?
Rotation = gl * (heading – theta) // Рассчитайте параметры поворота
Translation = g2 * Dist // Рассчитайте скорость перемещения
end if
end Home_GPS
Что случится, когда робот поведёт себя именно так? Если его движение моделировать на компьютере, Home_GPS заставит виртуального робота повернуться к точке назначения, движение пойдёт гладко, и всё закончится, когда робот достигнет точного места, указанного Dest_vec. Но, управляющий физическим роботом в реальном мире, Home_GPS не сможет достичь места назначения. Вместо этого, чем больше робот будет приближаться к цели, тем более растерянным он начнёт казаться.
Пока он далёк от цели, физический робот ведет себя почти таким же образом, как его виртуальный собрат, перемещающийся целенаправленно к месту назначения. Но когда робот прибудет в зону в пределах 10–20 метров от цели, предел разрешения GPS системы вызовет хаос в системе управления поворотно/поступательным движением, описанной выражением Home_GPS.
В какую-то секунду прибор GPS может сообщить роботу, что он находится именно в той самой ячейке таблицы, которая и есть место назначения. Но в следующую секунду прибор сообщит, что робот находится в ячейке слева и поэтому должен развернуться на 90° вправо, а еще в следующую секунду – что робот находится в ячейке справа от цели и должен обернуться на 90° влево.
Чтобы покончить с замешательством робота, мы должны сначала умерить нашу настойчивость в том, что робот сведёт свою ошибку позиционирования (или расстояние до цели) к нулю. То есть мы должны установить «мертвую зону» в системе управления вокруг Dist = 0. Мы заменим утверждение if (Dist ≠ 0)… на if (Dist > Thresh)…. Теперь робот будет сам решать: находится ли он достаточно близко от цели и может ли завершить самонаведение – когда прибудет в зону погрешности возле цели. Значение погрешности определяется пределом разрешения GPS системы. Как правило, определяется это значение экспериментально. Практические значения могут оказаться больше, возможно в несколько раз, предела разрешения.
Чтобы надежно приблизиться к цели ближе, чем описано выше, надо купить систему позиционирования с лучшим разрешением. Но, к сожалению, абсолютные системы позиционирования с высоким разрешением, которые работают по большой области, имеют свойство быть очень дорогими. По этой причине маленькие роботы стараются быть умнее при своём позиционировании. Прямой подход просто стоит слишком дорого.
Примечание: можно одолеть проблему разрешения с помощью усреднения. Если робот остаётся неподвижным в некотором положении какое-то время, это положение составит среднее от изменяющихся позиций, сообщенных системой позиционирования. То есть будет получаться все более точное значение истинной позиции робота (при условии, что ошибки скорее носят случайный характер, чем систематический). Один стационарный приемник, который делает усреднение, чтобы определить истинное местоположение, посылает корректировки позиции мобильному GPS приемнику на роботе. Но решение путём усреднения не свободно от недостатков; его осуществление требует, либо чтобы робот двигался медленно, либо чтобы мы купили более дорогую систему, включающую два GPS приемника, вычислительные аппаратные средства и локальные передатчик/приемник, чтобы сообщать корректировки роботу.
Рис. 1.4. Пример GPS-приёмника, предлагаемого на российском рынке (еще один пример приёмника, встроенного в модуль GSM/GPRS будет в главе о беспроводной передаче данных): LS-40EB (рис. 1.4). Это 12-канальный GPS-приёмник.
Его характеристики:
• количество временных последовательностей поиска: 4000;
• чувствительность обнаружения сигнала, дБм: (-)137;
• чувствительность слежения, дБм: (-)145;
• точность определения СЕР, м: 5;
• рабочие пределы:
– высота, м: до 18000;
– скорость, м/с: до 515;
• питание, В: 3.3;
• потребляемый ток, мА: 67-90;
• размеры, мм: 43x31x6;
• вес, г: 10.
Системы, в основе работы которых лежат реакции на окружающую обстановку, часто используются, чтобы выполнить задачи, для решения которых доступна только «местная» информация. Из-за этого может сложиться впечатление, что такие системы испытывают трудности с подключением к «глобальной» информации. На самом же деле системы, реагирующие на окружающую обстановку, могут в полном объёме оперировать и глобальной информацией. Проблема в стоимости информации: если создатель робота согласен оплатить полноценную систему позиционирования, программное обеспечение реагирования робота сможет успешно использовать получаемые данные.
Ряд коммерческих навигационных систем способны предоставить всестороннюю информацию для позиционирования. Сюда входят устройства, которые используют звуковые маяки или оптические маяки, или устройства, которые используют лазерные сканеры – одни или в комплексе с закодированными целями, установленными в окружающей среде робота. Система, которая знакома большинству людей, – глобальная система позиционирования GPS.
Рассмотрим применение GPS в «уличном» роботе (GPS хорошо работает только в пространстве под открытым небом). GPS приемник постоянно вычисляет широту и долготу на основе параметров сигналов, полученных от группировки специальных спутников. Как использовать такую информацию, чтобы довести своего робота к определённому месту назначения?
Для простоты предположим, что наш GPS приёмник оперирует информацией о местоположении относительно данного исходного пункта в форме «XY» (рис. 1.2). Координаты местоположения точки, к которой роботу необходимо двигаться – (Xg, Yg), а текущие координаты робота, снабженного GPS приемником – (Xr, Yr). Вычитание координат показывает, насколько робот должен изменить своё текущее положение (ΔХ, ΔY), чтобы достичь расположения цели. Таким образом, ΔХ = Xg – Xr, и ΔY = Yg – Yr.
Мы используем систему координат, привязанную к географии Земли, как показано на рисунке, с осью X, направленной на север. Чтобы достичь точки расположения цели, мы должны сделать возможным движение робота по курсу под углом Θ относительно оси X. Элементарная тригонометрия сообщает нам, что угол, под которым мы должны двигаться, определяется из арктангенса изменений в положении «X» и «Y», то есть: Θ = tan-1 (ΔY/ΔX).
Недостаточно знать только абсолютную позицию нашей цели и абсолютную позицию робота; мы должны также знать направление движения робота. Знание о направлении и величине поворота является сущностью самонаведения: требуемый поворот в движении есть разница между курсом, которым робот в настоящее время следует и курсом, по которому мы хотим, чтобы робот следовал.
GPS обеспечивает информацию о местоположении, но непосредственно не дает нам курс робота. Электронный компас поможет заполнить этот пробел. Чтобы направиться к цели, робот поворачивается до тех пор, пока курс, обозначенный компасом, не будет соответствовать требуемому курсу. Робот продолжает раз за разом «консультироваться» с GPS приемником по поводу безотносительного местоположения, вычисляя курс от абсолютных координат местонахождения цели: вычисляет требуемый курс, поворачивается по направлению к цели и продвигается, сокращая расстояние между собой и целью.
Итак, мы справились с проблемой перемещения нашего робота точно к месту и хотим его туда направить? Не совсем. Прежде, чем мы сможем успешно использовать информацию об абсолютном местонахождении, необходимо победить еще одного злодея, который затаился в засаде, готовый наказать новичков. Имя злодея – разрешение. Смотрим рис. 1.3.
Каждая система позиционирования может точно измерить местоположение до некоторого минимума расстояния, но никак не меньше. Например, вы можете использовать линейку длиной в ярд, чтобы измерить расстояние всего в 1/16 дюйма. Но вы не можете использовать эту линейку, чтобы измерить толщину листа бумаги. Такие маленькие расстояния меньше предела разрешения данной линейки. Аналогично, вы не можете использовать одометр вашего автомобиля, чтобы измерить диаметр баскетбольного мяча. И так же за пределами своего разрешения ни одна система позиционирования не выдаст значащую информацию. Таким образом, первый вопрос к любой системе позиционирования – каково её разрешение?
В зависимости от обстоятельств, предел разрешения обычного GPS приемника часто не лучше порядка 10 метров. (Хотя прибор может сообщать о своём местоположении до милиметра, цифры на дисплее есть ложная точность, так как они не последовательны во времени.) Предположим, что мы пытаемся использовать такой приемник (наряду с электронным компасом), чтобы указать роботу путь в соответствии с безотносительным местоположением. Мы используем следующую программу «нацеливания» на требуемое XY-местоположение, выраженное как Dest_vec.
Поведение Home_GPS
Loc_vec = get_GPS_xy () // GPS выдаёт текущий вектор местоположения
Disp_vec = Dest_vec – Loc_vec // Вектор смещения (displacement) к месту назначения (destination)
Dist = magnitude(Disp_vec) // Расстояние (distance) до места назначения
Theta = arctan_vec (Disp_vec) // Вектор смещения определяет требуемый курс
Heading = Get_compass_heading () // Получите от компаса фактический курс робота
If (Dist ≠ 0) // Мы достигли места назначения?
Rotation = gl * (heading – theta) // Рассчитайте параметры поворота
Translation = g2 * Dist // Рассчитайте скорость перемещения
end if
end Home_GPS
Что случится, когда робот поведёт себя именно так? Если его движение моделировать на компьютере, Home_GPS заставит виртуального робота повернуться к точке назначения, движение пойдёт гладко, и всё закончится, когда робот достигнет точного места, указанного Dest_vec. Но, управляющий физическим роботом в реальном мире, Home_GPS не сможет достичь места назначения. Вместо этого, чем больше робот будет приближаться к цели, тем более растерянным он начнёт казаться.
Пока он далёк от цели, физический робот ведет себя почти таким же образом, как его виртуальный собрат, перемещающийся целенаправленно к месту назначения. Но когда робот прибудет в зону в пределах 10–20 метров от цели, предел разрешения GPS системы вызовет хаос в системе управления поворотно/поступательным движением, описанной выражением Home_GPS.
В какую-то секунду прибор GPS может сообщить роботу, что он находится именно в той самой ячейке таблицы, которая и есть место назначения. Но в следующую секунду прибор сообщит, что робот находится в ячейке слева и поэтому должен развернуться на 90° вправо, а еще в следующую секунду – что робот находится в ячейке справа от цели и должен обернуться на 90° влево.
Чтобы покончить с замешательством робота, мы должны сначала умерить нашу настойчивость в том, что робот сведёт свою ошибку позиционирования (или расстояние до цели) к нулю. То есть мы должны установить «мертвую зону» в системе управления вокруг Dist = 0. Мы заменим утверждение if (Dist ≠ 0)… на if (Dist > Thresh)…. Теперь робот будет сам решать: находится ли он достаточно близко от цели и может ли завершить самонаведение – когда прибудет в зону погрешности возле цели. Значение погрешности определяется пределом разрешения GPS системы. Как правило, определяется это значение экспериментально. Практические значения могут оказаться больше, возможно в несколько раз, предела разрешения.
Чтобы надежно приблизиться к цели ближе, чем описано выше, надо купить систему позиционирования с лучшим разрешением. Но, к сожалению, абсолютные системы позиционирования с высоким разрешением, которые работают по большой области, имеют свойство быть очень дорогими. По этой причине маленькие роботы стараются быть умнее при своём позиционировании. Прямой подход просто стоит слишком дорого.
Примечание: можно одолеть проблему разрешения с помощью усреднения. Если робот остаётся неподвижным в некотором положении какое-то время, это положение составит среднее от изменяющихся позиций, сообщенных системой позиционирования. То есть будет получаться все более точное значение истинной позиции робота (при условии, что ошибки скорее носят случайный характер, чем систематический). Один стационарный приемник, который делает усреднение, чтобы определить истинное местоположение, посылает корректировки позиции мобильному GPS приемнику на роботе. Но решение путём усреднения не свободно от недостатков; его осуществление требует, либо чтобы робот двигался медленно, либо чтобы мы купили более дорогую систему, включающую два GPS приемника, вычислительные аппаратные средства и локальные передатчик/приемник, чтобы сообщать корректировки роботу.
Его характеристики:
• количество временных последовательностей поиска: 4000;
• чувствительность обнаружения сигнала, дБм: (-)137;
• чувствительность слежения, дБм: (-)145;
• точность определения СЕР, м: 5;
• рабочие пределы:
– высота, м: до 18000;
– скорость, м/с: до 515;
• питание, В: 3.3;
• потребляемый ток, мА: 67-90;
• размеры, мм: 43x31x6;
• вес, г: 10.
2. Примеры роботов, функционирование которых обусловлено наличием средств ориентирования в пространстве
На рис. 1.5 – авиаробот, который с помощью встроенных средств навигации совершает автономный полёт по запрограммированному маршруту с высокой точностью (подробнее см. журнал «Радиолюбитель» № 1–2 за 2005 г.).
Рис. 1.5
На рисунках 1.6, 1.7, 1.8 – роботы, также нуждающиеся в разнообразных системах навигации, которые могут быть построены на основе различных сенсоров, или датчиков (примеры некоторых датчиков приведены в таблице 1.1).
Рис. 1.6. «Танец» мобильных роботов, Россия
Рис. 1.7. Мобильный робот, Россия
Рис. 1.8. Робот-пылесос, Россия
На рисунках 1.6, 1.7, 1.8 – роботы, также нуждающиеся в разнообразных системах навигации, которые могут быть построены на основе различных сенсоров, или датчиков (примеры некоторых датчиков приведены в таблице 1.1).
Таблица 1.1
3. Датчики, реагирующие на воздействия окружающей робота среды
Датчики сведены в таблице 1.1. Примечание: на рис. 1.9 – частотная (кГц) характеристика датчиков MA40B8R и MA40B8S.
Рис. 1.9
Более подробно об универсальном многофункциональном датчике российского производства (рис. 1.10) – измерителе линейного ускорения и угловой скорости ИЛУС-03.
Рис. 1.10
Он осуществляет измерения и регистрацию проекций векторов линейного ускорения и угловой скорости подвижного объекта на его ортогональные направления (оси).
Предназначен для использования в системах:
• регистрации дорожно-транспортных происшествий (ДТП) с восстановлением траектории автомобиля на интервале 15 с до происшествия и 3 с после него;
• отработки и совершенствования техники спортсменов в таких видах спорта, как прыжки в воду, гимнастика, акробатика, фигурное катание;
• управления движением сказочных существ при их «оживлении» в кинематографе и аттракционах.
Технические характеристики:
• диапазон измерения углов поворота, угл. град: ± З60xn;
• скорость углового разворота, угл. град./с: 5-5000;
• диапазон измерения линейных ускорений, м/с2: 0-20 (0-400);
• погрешность измерений линейных ускорений, не более, м/с2: 0,02 (0,4);
• погрешность измерений угловой скорости, не более, угл. град/с: 0,1 (5);
• время накопления информации на временном интервале, с: до 100;
• время выдачи информации по запросу, с: до 5;
• время восстановления информации по предельному случаю, с: до 100;
• форма представления информации: цифровая;
• диапазон рабочих температур, °С: от -40 до +50;
• напряжение питания, В: 7-9;
• потребляемая мощность, Вт: 1;
• габаритные размеры, мм: 50x50x50;
• вес, кг: 0,2;
Более подробно об универсальном многофункциональном датчике российского производства (рис. 1.10) – измерителе линейного ускорения и угловой скорости ИЛУС-03.
Он осуществляет измерения и регистрацию проекций векторов линейного ускорения и угловой скорости подвижного объекта на его ортогональные направления (оси).
Предназначен для использования в системах:
• регистрации дорожно-транспортных происшествий (ДТП) с восстановлением траектории автомобиля на интервале 15 с до происшествия и 3 с после него;
• отработки и совершенствования техники спортсменов в таких видах спорта, как прыжки в воду, гимнастика, акробатика, фигурное катание;
• управления движением сказочных существ при их «оживлении» в кинематографе и аттракционах.
Технические характеристики:
• диапазон измерения углов поворота, угл. град: ± З60xn;
• скорость углового разворота, угл. град./с: 5-5000;
• диапазон измерения линейных ускорений, м/с2: 0-20 (0-400);
• погрешность измерений линейных ускорений, не более, м/с2: 0,02 (0,4);
• погрешность измерений угловой скорости, не более, угл. град/с: 0,1 (5);
• время накопления информации на временном интервале, с: до 100;
• время выдачи информации по запросу, с: до 5;
• время восстановления информации по предельному случаю, с: до 100;
• форма представления информации: цифровая;
• диапазон рабочих температур, °С: от -40 до +50;
• напряжение питания, В: 7-9;
• потребляемая мощность, Вт: 1;
• габаритные размеры, мм: 50x50x50;
• вес, кг: 0,2;
Глава 2
Электронное зрение роботов
Электронное зрение роботов обладает той особенностью, что может работать не только в реальном времени, но и в «отсроченном» режиме: в частности, когда в массиве видеоизображений система поиска находит искомую видеозапись какого-то события. Поиск объекта среди других средствами компьютерного зрения – тоже навигация, только зрительная. Возьмём из предыдущей главы пример с GPS-навигацией, когда робот, достигнув «мёртвой зоны» радиусом 10–20 м, до цели всё же не доходит. Тогда ему на помощь должно придти зрение, с помощью которого он распознает цель. Пример такой технологии приводится ниже. Она не предназначалась для установки в мобильном роботе, но хорошо поясняет критерии распознавания. Кроме того, подобно описанной в предыдущей главе технологии удалённой GPS-корректировки, она тоже может быть инкорпорирована в стационарный вычислитель, и робот будет обмениваться данными по радиоканалу с централизованным видеоархивом в процессе распознавания.
1. Excalibur: технология распознавания видеоизображений
Эффективность данной системы обусловлена применением в ней как традиционной для фирмы Excalibur Technologies технологии нечёткого поиска APRP, так и оригинальной технологии анализа видеоинформации VAE.
VAE (Video Analysis Engine) обеспечивает автоматическое построение StoryBoard (последовательности кадров, наиболее адекватно отражающих суть видеофрагмента) для вводимой видеоинформации, выделяя набор характерных (по тому или иному критерию) кадров.
APRP (Adaptive Pattern Recognition Process), технология адаптивного распознавания образов, производит так называемый «нечёткий поиск», при котором для поиска изображения не требуется ни словесного описания, ни ключевых слов, ни других специальных приёмов. В данной технологии под нечётким поиском понимается операция нахождения объекта по его достаточно близкому образу (например, по фотографии человека, на лице которого время оставило свои следы). Любого рода данные технология обрабатывает одинаково – в виде нулей и единиц, поэтому она равным образом применяется для индексации и нечёткого поиска как текстов (библиотека TRS), так и звукозаписей (библиотека SRS) и видеозаписей (библиотека VRS). Это обстоятельство позволяет воспользоваться для понимания алгоритмов технологии примером из области обработки текстов. Поскольку APRP работает не с ключевыми словами, а с образами, две-три изменённые (или ошибочные) буквы в слове или фразе не могут существенно изменить базовую картину текста. Таким образом, автоматически становится допустимой ошибка как во входных данных, так и в терминах запроса. Например, если мы напишем в запросе: «ЦЦЦТЕР МАРГМАСАРИТАЭЭЭЭЭЭ», имея в виду название романа Булгакова, то получим правильный ответ – «Мастер и Маргарита».
Поиск происходит так:
• запрос конвертируется в бинарную форму;
• игнорируется шум (т. е. отбрасываются «ЦЦЦ» и «ЭЭЭЭЭЭ»);
• проводится нечёткий поиск, представляющий собой комплекс операций сравнения комбинаций нулей и единиц, по результатам которых осуществляется выбор наиболее близких вариантов искомого образа. Описанный алгоритм поиска по существенным признакам применяется при сравнении почерков, отпечатков пальцев, голосов и фотографий.
Обеспечиваемая технологией скорость поиска видеоинформации по индексированному массиву объёмом 5 Тбайт составляет 5-15 с при степени достоверности, соответствующей сертификату, выдаваемому подобным системам. Под «индексированным массивом» в данном случае понимается вышеупомянутый набор характерных кадров, 1 Мбайт которых соответствует примерно 6 Мбайтам исходного видеоматериала (но это соотношение ориентировочно и зависит от выбранного порога индексирования). В итоге образуются как бы два массива: проиндексированный (потому и «как бы», что он может быть не один – в зависимости от числа критериев индексации), которым, например, телекомпания оперирует при подготовке новостных и иных программ, и другой, состоящий из оригиналов видеоматериала. Типовая схема работы системы – на рис. 2.1.
Рис. 2.1
Кроме того, технология используется для видеонаблюдения: например, она осуществляет в реальном времени последовательное сканирование (посредством видеокамеры) толпы в местах, где движение людей упорядочено: эскалаторы, турникеты и т. п. Ключами для анализа снимаемого материала служат хранящиеся в базах данных фотографии разыскиваемых людей, объектов, автомобильных номерных знаков и т. д. Достоверность распознавания – вопрос постоянного совершенствования технологии. Представитель фирмы привёл такой пример: на одном из этапов развития технологии проводилось «опознание» футболистов по фотографии их команды. Система опознала 9 из 11 футболистов плюс лежащий перед ними мяч. То есть террорист в принципе мог замаскироваться, неся возле своей головы большой розовый грейпфрут, но и в таком случае среди критериев поиска можно было задать «обнаружение людей с большими грейпфрутами». Позже, уже в России, проводились эксперименты по настройке системы на «похожесть» лиц. На человека надевали шапку, очки, прикрывали лицо шарфом, при этом достоверность распознавания достигала 40–50 %. Кроме того, приемлемый процент распознавания достигался при изменении ракурса лица примерно на 20 %.
На рис. 2.2 показаны особенности поиска по изображению человека. Маленький кадр в левом нижнем углу – изображение-запрос. Верхняя линейка кадров – результат поиска с указанием степени близости результата к запросу: «100 %» здесь относятся к кадру, использованному в качестве запроса; рядом с числом процента – названия видеоматериалов, содержащих данные кадры.
Рис. 2.2
Для работающего с Excalibur оператора исследуемый массив предстаёт в виде двух мультимедийных составляющих: картинки и текста. Текст – это фоновый код для поиска видеоизображения, поэтому в ранее рассмотренном процессе редактирования большое значение имеет вычленение текстового материла из видеозаписи (этот же текстовый материал при необходимости ложится в основу субтитров). Поиск проиндексированной видеоинформации, уже хранящейся в VideoAsset Server, осуществляется как по кадрам из StoryBoard при помощи ПО Visual RetrievalWare, так и по тексту (субтитры, название и пр.) при помощи RetrievalWare – профессиональной системы управления знаниями. В частности, в версии 7.0 этой системы, имеющей графические словари (рис. 2.3), мультимедийные запросы могут формироваться по следующим принципам: слова и изображения смешаны в одном запросе; объединение слов и изображений в сложное логическое выражение; при ранжировании результатов поиска учитываются и слова, и изображения. На рис. 2.4 приведён пример сложного поиска.
VAE (Video Analysis Engine) обеспечивает автоматическое построение StoryBoard (последовательности кадров, наиболее адекватно отражающих суть видеофрагмента) для вводимой видеоинформации, выделяя набор характерных (по тому или иному критерию) кадров.
APRP (Adaptive Pattern Recognition Process), технология адаптивного распознавания образов, производит так называемый «нечёткий поиск», при котором для поиска изображения не требуется ни словесного описания, ни ключевых слов, ни других специальных приёмов. В данной технологии под нечётким поиском понимается операция нахождения объекта по его достаточно близкому образу (например, по фотографии человека, на лице которого время оставило свои следы). Любого рода данные технология обрабатывает одинаково – в виде нулей и единиц, поэтому она равным образом применяется для индексации и нечёткого поиска как текстов (библиотека TRS), так и звукозаписей (библиотека SRS) и видеозаписей (библиотека VRS). Это обстоятельство позволяет воспользоваться для понимания алгоритмов технологии примером из области обработки текстов. Поскольку APRP работает не с ключевыми словами, а с образами, две-три изменённые (или ошибочные) буквы в слове или фразе не могут существенно изменить базовую картину текста. Таким образом, автоматически становится допустимой ошибка как во входных данных, так и в терминах запроса. Например, если мы напишем в запросе: «ЦЦЦТЕР МАРГМАСАРИТАЭЭЭЭЭЭ», имея в виду название романа Булгакова, то получим правильный ответ – «Мастер и Маргарита».
Поиск происходит так:
• запрос конвертируется в бинарную форму;
• игнорируется шум (т. е. отбрасываются «ЦЦЦ» и «ЭЭЭЭЭЭ»);
• проводится нечёткий поиск, представляющий собой комплекс операций сравнения комбинаций нулей и единиц, по результатам которых осуществляется выбор наиболее близких вариантов искомого образа. Описанный алгоритм поиска по существенным признакам применяется при сравнении почерков, отпечатков пальцев, голосов и фотографий.
Обеспечиваемая технологией скорость поиска видеоинформации по индексированному массиву объёмом 5 Тбайт составляет 5-15 с при степени достоверности, соответствующей сертификату, выдаваемому подобным системам. Под «индексированным массивом» в данном случае понимается вышеупомянутый набор характерных кадров, 1 Мбайт которых соответствует примерно 6 Мбайтам исходного видеоматериала (но это соотношение ориентировочно и зависит от выбранного порога индексирования). В итоге образуются как бы два массива: проиндексированный (потому и «как бы», что он может быть не один – в зависимости от числа критериев индексации), которым, например, телекомпания оперирует при подготовке новостных и иных программ, и другой, состоящий из оригиналов видеоматериала. Типовая схема работы системы – на рис. 2.1.
Кроме того, технология используется для видеонаблюдения: например, она осуществляет в реальном времени последовательное сканирование (посредством видеокамеры) толпы в местах, где движение людей упорядочено: эскалаторы, турникеты и т. п. Ключами для анализа снимаемого материала служат хранящиеся в базах данных фотографии разыскиваемых людей, объектов, автомобильных номерных знаков и т. д. Достоверность распознавания – вопрос постоянного совершенствования технологии. Представитель фирмы привёл такой пример: на одном из этапов развития технологии проводилось «опознание» футболистов по фотографии их команды. Система опознала 9 из 11 футболистов плюс лежащий перед ними мяч. То есть террорист в принципе мог замаскироваться, неся возле своей головы большой розовый грейпфрут, но и в таком случае среди критериев поиска можно было задать «обнаружение людей с большими грейпфрутами». Позже, уже в России, проводились эксперименты по настройке системы на «похожесть» лиц. На человека надевали шапку, очки, прикрывали лицо шарфом, при этом достоверность распознавания достигала 40–50 %. Кроме того, приемлемый процент распознавания достигался при изменении ракурса лица примерно на 20 %.
На рис. 2.2 показаны особенности поиска по изображению человека. Маленький кадр в левом нижнем углу – изображение-запрос. Верхняя линейка кадров – результат поиска с указанием степени близости результата к запросу: «100 %» здесь относятся к кадру, использованному в качестве запроса; рядом с числом процента – названия видеоматериалов, содержащих данные кадры.
Для работающего с Excalibur оператора исследуемый массив предстаёт в виде двух мультимедийных составляющих: картинки и текста. Текст – это фоновый код для поиска видеоизображения, поэтому в ранее рассмотренном процессе редактирования большое значение имеет вычленение текстового материла из видеозаписи (этот же текстовый материал при необходимости ложится в основу субтитров). Поиск проиндексированной видеоинформации, уже хранящейся в VideoAsset Server, осуществляется как по кадрам из StoryBoard при помощи ПО Visual RetrievalWare, так и по тексту (субтитры, название и пр.) при помощи RetrievalWare – профессиональной системы управления знаниями. В частности, в версии 7.0 этой системы, имеющей графические словари (рис. 2.3), мультимедийные запросы могут формироваться по следующим принципам: слова и изображения смешаны в одном запросе; объединение слов и изображений в сложное логическое выражение; при ранжировании результатов поиска учитываются и слова, и изображения. На рис. 2.4 приведён пример сложного поиска.
Конец бесплатного ознакомительного фрагмента