Marker-Constrained Pose-Graph Correction for Cross-Platform Georeferencing in GNSS-Denied Environments
تقترح هذه الورقة إطار عمل للارتباط الجغراائي للملاحة الذاتية في الوقت الفعلي في البيئات المحرومة من نظام تحديد المواقع العالمي (GNSS)، وذلك عبر استخدام عاكسات كولستيرية كروية (CSR) مسبقة المسح ومتطابقة مع التمويه لتصحيح الانجراف ومحاذاة مسارات ليدار-أودومتري (LiDAR-odometry) غير متجانسة وإعادة البناء الكثيف ضمن نظام إحداثيات مشترك، محققةً خفضاً يتجاوز 97% في عدم اتساق إعادة الزيارة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الآلات ذاتية القيادة، يمثل معرفة مكانك بدقة الفرق بين مهمة ناجحة وروبوت مفقود. فعندما تعمل طائرة بدون طيار أو مركبة أرضية في حقول مفتوحة، فإنها تعتمد على الأقمار الصناعية لتحديد موقعها بدقة. ولكن في الغابات الكثيفة، أو الأخاديد الحضرية العميقة، أو المناطق التي يتم فيها حجب الإشارات عمدًا، يتلاشى هذا التوجيه عبر الأقمار الصناعية. وبدون ذلك، يجب على الآلات الاعتماد على مستشعراتها الداخلية لتخمين مسارها. هذه المستشعرات جيدة في تتبع الحركة لفترة قصعة، لكنها تنحرف حتمًا، مثل بوصلة تدور ببطء بعيدًا عن مسارها الصحيح. وعلى مدار رحلة طويلة، يتحول هذا الخطأ الصغير إلى خطأ فادح، مما يترك الآلة غير متأكدة مما إذا كانت تقف أمام مبنى أو على بعد مائة متر منه. وتصبح هذه المشكلة أكثر صعوبة عندما تحتاج أنواع مختلفة من الآلات، مثل الطائات بدون طيار والآلات التي تمشي، إلى مشاركة خريطة ما؛ فإذا لم تتمكن من الاتفاق على نظام إحداثيات مشترك، فلن تتمكن من العمل معًا بفعالية.
ولحل هذه المشكلة، طور الباحثون طريقة جديدة تسمح للآلات بإيجاد طريقها دون الحاجة إلى أقمار صناعية باستخدام علامات توضع مسبقًا وغير مرئية. هذه العلامات ليست ملصقات زاهية وعالية التباين كما هو معتاد في مختبرات الروبوتات، والتي قد تكشف عن موقع مخفي في سياق عسكري أو أمني. بدلاً من ذلك، استخدم الفريق كرات صغيرة مصنوعة من بلورات سائلة خاصة تعكس الضوء بطريقة غير مرئية للعين البشرية، ولكنها واضحة تمامًا لكاميرا مجهزة بالمرشحات (الفلاتر) المناسبة. ومن خلال وضع عدد قليل من هذه العلامات في مواقع معروفة قبل المهمة، أنشأ الباحثون شبكة مخفية يمكن للآلات استخدامها لتصحيح مساراتها المنحرفة. وكان الهدف هو معرفة ما إذا كان هذا النظام يمكنه أخذ مسار تقريبي منحرف من مستشعر خفيف الوزن، وخريطة ثلاثية الأبعاد مفصلة من مستشعر ثقيل، ودمجهما معًا لوضعهما في المواقع الصحيحة في العالم الحقيقي دون الحاجة مطلقًا إلى إشارة قمر صناعي.
اختبر الباحثون هذه الفكرة من خلال محاكاة نوعين مختلفين من المهام: أحدهما يحاكي طائرة بدون طيار تحلق في الهواء، والآخر يحاكي مركبة أرضية تتحرك على الأرض. واستخدموا جهازًا واحدًا محمولًا باليد يحمل ماسحًا ليزريًا وكاميرا، حيث تحركوا عبر مسار يمثل كلًا من الطيران والتنقل الأرضي. ولإنشاء الشبكة المخفية، وضعوا علامة فيزيائية واحدة في ست نقاط مختلفة تم مسحها ميدانيًا على طول المسار، مع نقل العلامة من مكان إلى آخر أثناء تسجيل البيانات. وفي كل نقطة، وُضعت العلامة بحيث تكون غير مرئية للعين المجردة، وتندمج تمامًا مع الخلفية، ومع ذلك كانت تعكس نمطًا محددًا من الضوء يمكن للكاميرا اكتشافه وتحديده. ثم استخدم النظام عمليات الكشف هذه لإصلاح الخريطة الداخلية للآلة.
أظهرت النتائج أن هذا النهج نجح بشكل ملحوظ. فقبل التصحيح، انحرف التقدير الداخلي لمسار الآلة بشكل كبير، مما جعلها تنتهي في مكان خاطئ عند عودتها إلى نقطة كانت قد زارتها سابقًا. وبعد تطبيق التصحيح القائم على العلامات، انخفض الخطأ في الجلسة التي تحاكي الطيران بنسبة تقرب من 98 بالمائة، وانخفض الخطأ في الجلسة التي تحاكي المركبة الأرضية بأكثر من 99 بالمائة. وهذا يعني أنه عندما عادت الآلة إلى نقطة البداية، عرفت موقعها بدقة متناهية، رغم أنها لم ترَ قمرًا صناعيًا قط. كما حسن النظام دقة الخرائط ثلاثية الأبعاد المفصلة التي بنتها، مما جعلها تتوافق بشكل صحيح مع العالم الحقيقي دون الحاجة إلى دمجها يدويًا لاحقًا.
كان جزء رئيسي من الدراسة هو فهم كيف يؤثر وضع هذه العلامات على النتائج. وجد الفريق أن وجود المزيد من العلامات يؤدي عمومًا إلى دقة أفضل، وهو أمر بديهي. ومع ذلك، اكتشفوا شيئًا مفاجئًا بشأن مكان وضعها. قد يوحي المنطق السليم بضرورة توزيع العلامات بعيدًا عن بعضها البعض قدر الإمكان لإنشاء شبكة واسعة. ومع ذلك، أظهرت البيانات أن العلامات الموضوعة في خط مستقيم بين علامتين أخريين كانت تُحدد بدقة أكبر من العلامات الموضوعة عند الزوايا الحادة أو الأطراف القصوى للمسار. حدث هذا لأن العملية الرياضية المستخدمة لإصلاح الخريطة تعمل بشكل أفضل عندما تقوم بملء الفجوات بين النقاط المعروفة، بدلاً من محاولة التخمين عما يقع بعيدًا خلفها. تشير هذه الرؤية إلى أنه بالنسبة للمهمات المستقبلية، فإن العامل الأهم ليس تجنب الخطوط المستقيمة، بل ضمان تغطية حواف المنطقة المعنية بالعلامات.
أثبتت الدراسة أيضًا أن هذه الطريقة تسمح للآلات المختلفة بالاتفاق على خريطة دون التحدث مع بعضها البعض مباشرة. فقد أنشأ الباحثون خريطتين ثلاثيتين الأبعاد منفصلتين ومفصلتين — واحدة من مسار الطائرة المحاكي، والأخرى من المسار الأرضي المحاكي. وتم تصحيح كل خريطة بشكل مستقل باستخدام العلامات المخفية فقط. وعندما وضعوا هاتين الخريطتين فوق بعضهما البعض، تطابقتا بمسافة متوسطة قدرها 58 سنتيمترًا فقط بين النقاط المتقابلة. حدث هذا المستوى من التوافق دون أي برنامج خاص يحاول فرض دمج الخريطتين معًا، مما يثبت أن العلامات المخفية وفرت لغة مشترة موثوقة لأنواع مختلفة من الآلات.
كانت العملية برمتها سريعة بما يكفي للاستخدام في الوقت الفعلي. فقد استغرق الكمبيوتر أقل من ربع ثانية لتصحيح المسار لجلسة كاملة، وكان بإمكان الكاميرا رصد العلامات غير المرئية بمعدل 80 مرة في الثانية تقريبًا. هذا التوافق في السرعة، مع حقيقة أن العلامات غير مرئية للعين البشرية ويمكن تمويهها في أي سطح، يجعل النظام عمليًا للغاية لعمليات الدفاع والأمن حيث تكون الرؤية عبئًا أو خطرًا. وأشار الباحثون إلى أنه بينما يعد النظام إثباتًا قويًا للمفهوم، فإن العمل المستقبلي سيحتاج إلى اختبار استخدام علامات متعددة في وقت واحد وعلى مركبات طائرة وأرضية حقيقية، بدلاً من مجرد جهاز محمول واحد. أما في الوقت الحالي، فتوضح الدراسة أنه باستخدام عدد قليل من المراسي غير المرئية الموضوعة بعناً، يمكن للآلات ذاتية القيادة التنقل في بيئات معقدة وخالية من الإشارات بمستوى من الدقة كان من الصعب تحقيقه سابقًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.