LoCal-RIO: Radar-Inertial Odometry with Loop-Closure IMU Bias Calibration

تعتمد الروبوتات المستقلة، من روبوتات التوصيل إلى السيارات ذاتية القيادة، على حاسة داخلية مستمرة لمعرفة مكانها وكيفية تحركها. في الظروف المشمسة والصافية، تتفوق الكاميرات وماسحات الليزر الضوئية في هذه المهمة، حيث ترسم صورة مفصلة للعالم لتوجيه الآلة. ومع ذلك، عندما يمتلئ الهواء بالضباب أو الغبار أو الدخان، أو عندما يفشل الإضاءة، غالبًا ما تصاب هذه المستشعرات البصرية بالعمى. وللملاحة في هذه البيئات الصعبة، يلجأ المهندسون إلى رادار الموجات المليمترية. فخلافًا للضوء، يمكن لموجات الرادار اختراق العوائق البصرية، والارتداد عن الجدران والأجسام لتوفير خريطة تقريبية للمحيط. ومع ذلك، فإن للرادار نقطة عمياء كبيرة خاصة به: فبينما هو ممتاز في قياس سرعة حركة الروبوت باتجاه الأجسام أو بعيدًا عنها، إلا أنه يعاني في تحديد الاتجاه الذي يواجهه الروبوت. وبدون حس موثوق للاتجاه، يمكن للروبوت أن ينحرف عن مساره، مما يؤدي إلى تراكم الأخطاء ببطء، مما يجعله يعتقد في النهاية أنه في مكان مختلف تمامًا عما هو عليه في الواقع.

قام فريق من الباحثين في معهد سكولكوفو للعلوم والتكنولوجيا بتطوير نظام جديد يسمى LoCal-RIO لحل هذه المشكلة المحددة. يركز عملهم على دمج بيانات الرادار مع قياسات وحدة القياس بالقصور الذاتي (IMU)، وهي حزمة مستشعرات صغيرة تحتوي على مقاييس التسارع والجيروسكوبات التي تتبع الحركة. ويتمثل التحدي الجوهري الذي عالجوه في أن الطرق القياسية لدمج هذه المستشعرات غالبًا ما تفشل عبر المسافات الطويلة لأن الرادار لا يمكنه تصحيح ميل الجيروسكوبات نحو الانحراف. ووجد الباحثون أنه من خلال فصل تتبع الحركة الفورية للروبوت عن بناء الخريطة طويلة المدى، ومن خلال استخدام طريقة ذكية لإصلاح الأخطاء الداخلية للمستشعر فقط عندما يكمل الروبوت دورة كاملة، استطاعوا إبقاء الروبوت على المسار بدقة عالية، حتى في المساحات الداخلية الكبيرة والمربكة مثل المرائب تحت الأرض والمكتبات متعددة الطوابق.

يعمل النظام على مستويين متميزين يعملان معًا مثل الطيار والملاح. المستوى الأول، وهو مخطط الملاحة (navigation graph)، يعمل باستمرار وبسرعة، حيث يدمج قياسات سرعة الرادار مع بيانات الحركة من وحدة القياس بالقصور الذاتي لإنتاج مسار سلس وفوري يتبعه الروبوت. تم تصميم هذا الجزء من النظام ليكون سريعًا واستجابيًا، مما يضمن قدرة الروبوت على التفاعل مع بيئته فورًا. ومع ذلك، نظرًا لأن الرادار لا يمكنه تحديد اتجاه الروبوت بدقة، فإن طبقة التتبع السريع هذه تؤدي حتمًا إلى تراكم أخطاء صغيرة بمرور الوقت، مما يجعل خريطة الروبوت الداخلية تنحرف ببطء عن الواقع. أما المستوى الثاني، وهو مخطط رسم الخرائط (mapping graph)، فيعمل في الخلفية. فهو يأخذ لقطات لموقع الروبوت في لحظات رئيسية ويبني خريطة عالمية للبيئة. هذه الطبقة أبطأ ولكنها أكثر شمولاً، وهي قادرة على التعرف على متى عاد الروبوت إلى مكان زاره من قبل.

يكمن الاختراق في نظام LoCal-RIO في كيفية تواصل هذين المستويين. في العديد من الأنظمة السابقة، عندما كان مخطط الخرائط في الخلفية يدرك أن الروبوت قد انحرف، كان ببساطة يعيد موقع الروبوت إلى الموقع الصحيح على الخريطة. وبينما أصلح هذا الخريطة، إلا أنه خلق قفزة مفاجئة ومزعجة في الإدراك الداخلي للروبوت حول مكانه، مما قد يربك أنظمة التحكم التي تحاول توجيه المركبة. أدرك الباحثون أن المصدر الحقيقي للانحراف لم يكن موقع الروبوت، بل خطأ ضئيل ومستمر في قراءة الجيروسكوب. وبدلاً من إجبار موقع الروبوت على القفز، يستخدم نظامهم لحظة "إغلاق الحلقة" (loop closure) — أي عندما يتعرف الروبوت على عودته إلى مكان سبق له زيارته — لحساب مقدار الخطأ في الجيروسكوب بدقة. ثم يقوم بهدوء بتعديل الانحياز الداخلي للمستشعر، مما يصحح السبب الجذري للانحراف دون إزعاج موقع الروبوت الحالي أو سرعته. وهذا يسمح للروبوت بمواصلة الحركة بسلاسة بينما يصبح بوصلته الداخلية أكثر دقة تدريجيًا.

لإنجاح ذلك، تعين على الفريق التغلب على الطبيعة الفوضوية لبيانات الرادار، والتي غالبًا ما تكون مليئة بالأصداء الزائفة والضجيج. فقد طوروا تقنية تصفية تعطي الأولوية للانعكاسات القوية والواضحة من الأجسام الصلبة مع تجاهل الإشارات الأضعف والمربكة التي ترتد عن أسطح متعددة. وهذا يضمن أن تكون الخريطة التي يتم بناؤها حادة وموثوقة. علاوة على ذلك، يتضمن النظام فحص سلامة صارم قبل قبول أي تصحيح؛ فهو لا يثق في عملية إغلاق حلقة واحدة فورًا، بل ينتظر حتى يكمل الروبوت عدة دورات أخرى ويتأكد من أن المسار الجديد يتوافق مع المسار القديم. وعندها فقط، يقوم بتطبيق التصحيح على انحياز المستشعر، مما يضمن أن الروبوت لن يتعلم أبدًا من خطأ.

اختبر الباحثون نظامهم في مجموعة متنوعة من البيئات الواقعية الصعبة، بما في ذلك مرآب كبير تحت الأرض، ومكتبة ذات رفوف خشبية، ومبنى جامعي ذي ممرات منحنية ومعقدة. وفي هذه الاختبارات، نجح النظام في رسم خرائط لآلاف الأمتار من السفر، محافظًا على درجة عالية من الدقة حيث كانت الأنظمة القائمة على الرادار ستفشل. وفي اختبار محدد تضمن إجمالي مسافة دورة تزيد عن 2,200 متر، حافظ النظام على محاذاة مسار الروبوت مع الهندسة الحقيقية للمبنى، مما أظهر قدرته على التعامل مع الأنماط المتكررة والأسطح منخفضة الانعكاس التي عادة ما تربك الروبوتات. وأظهرت النتائج أنه من خلال التركيز على معايرة الأخطاء الداخلية للمستشعر بدلاً من مجرد إصلاح الخريطة، استطاع الروبوت التنقل بمستوى من الدقة يضاهي الأنظمة الأكثر تكلفة وهشاشة القائمة على الليزر، ولكن مع المتانة اللازمة للعمل في البيئات الضبابية والمغبرة والمظلمة حيث تفشل التقنيات الأخرى.

يمثل هذا النهج خطوة مهمة للأمام في جعل الروبوتات المستقلة موثوقة حقًا في العالم الحقيقي. فمن خلال معاملة انحراف المستشعر كخطأ قابل للتصحيح وليس كعيب لا يمكن تجنبه، ومن خلال ضمان تطبيق التصحيحات بسلاسة وأمان، يوفر LoCal-RIO مسارًا للروبوتات لاستكشاف العمل في أصعب الظروف دون أن تفقد طريقها. ويثبت النظام أنه مع الإطار الرياضي الصحيح، يمكن تحويل قيود الرادار إلى نقطة قوة، مما يسمح للآلات بالرؤية بوضوح حتى عندما يكون العالم من حولها محجوبًا.