Improvement of Robot's Simultaneous Localization and Mapping Using an Effective Transformation to Achieve Linear Model

तकनीकी सारांश: एक प्रभावी रूपांतरण के माध्यम से रैखिक मॉडल प्राप्त करने हेतु रोबोट के समवर्ती स्थानीयकरण और मानचित्रण (SLAM) में सुधार

समस्या विवरण
सिमल्टेनियस लोकलाइजेशन एंड मैपिंग (SLAM) मोबाइल रोबोट्स के लिए एक मौलिक कार्य है, फिर भी एक्सटेंडेड कलमन फिल्टर (EKF) पर आधारित मानक कार्यान्वयन विचलन (divergence) और असंगतता (inconsistency) से ग्रस्त होते हैं। इन विफलताओं के प्राथमिक कारण रोबोट की गति और अवलोकन मॉडल में निहित गैर-रैखिकता (nonlinearity) हैं, जिसके लिए रैखिकीकरण (linearization) की आवश्यकता होती है। यह रैखिकीकरण त्रुटियों को पेश करता है जो समय के साथ संचित होती हैं, जिससे गलत स्टेट वेक्टर अपडेट, अनुमानित स्थितियों में उछाल, और अनुमानित कोवेरिएंस मैट्रिक्स में कमी आती है जो वास्तविक अनिश्चितता को प्रतिबिंबित नहीं करती है। हालांकि इन मुद्दों को कम करने के लिए फास्ट SLAM, अनसेंटेड फास्ट SLAM (UnFS), और क्युबचर कलमन फिल्टर (CKF) वेरिएंट जैसे विभिन्न तरीके प्रस्तावित किए गए हैं, वे अक्सर जटिल सन्निकटन (approximations) पर निर्भर करते हैं या बड़े वातावरण या उच्च सेंसर अनिश्चितता के तहत अभी भी स्थिरता के लिए संघर्ष करते हैं।

कार्यप्रणाली
यह शोध पत्र एक नया दृष्टिकोण प्रस्तावित करता है जिसे LMKF SLAM (लीनियर मॉडल कलमन फिल्टर SLAM) कहा जाता है। मुख्य कार्यप्रणाली मानक गैर-रैखिक स्टेट-स्पेस मॉडल को एक सख्त रैखिक मॉडल में बदलने में शामिल है, जिससे बिना किसी रैखिकीकरण सन्निकटन या जैकोबियन गणना की आवश्यकता के मानक कलमन फिल्टर (KF) का सीधा अनुप्रयोग संभव हो जाता है।

1. स्टेट स्पेस रूपांतरण:

   • मोशन मॉडल: लेखक मानते हैं कि रोबोट प्रत्येक चरण पर रोबोट के पूर्ण कोण ($\theta_k$) को मापने के लिए एक साधारण इलेक्ट्रॉनिक कंपास से सुसज्जित है। इस माप को शामिल करके, स्टेट वेक्टर को ओरिएंटेशन एंगल को छोड़कर कम कर दिया जाता है। मोशन समीकरण, जो $\theta_k$ के त्रिकोणमितीय फलनों के कारण मूल रूप से गैर-रैखिक थे, को रूपांतरित किया गया है। शोर (noise) के पदों को शून्य के आसपास रैखीकृत किया गया है, जिसके परिणामस्वरूप एक रैखिक मोशन मॉडल प्राप्त होता है जहाँ स्टेट अपडेट पिछले स्टेट और कंट्रोल इनपुट्स पर रैखिक रूप से निर्भर करता है।
   • ऑब्जर्वेशन मॉडल: इसी तरह, ऑब्जर्वेशन मॉडल, जो रेंज ($r_k$) और बियरिंग ($\phi_k$) को लैंडमार्क स्थितियों से जोड़ता है, को रूपांतरित किया गया है। मापे गए रोबोट कोण $\theta_k$ का उपयोग करके, लैंडमार्क के ध्रुवीय निर्देशांकों (polar coordinates) को ग्लोबल फ्रेम के सापेक्ष कार्टेशियन निर्देशांकों में परिवर्तित किया जाता है। यह रूपांतरण ($\zeta_k$) देखे गए डेटा और स्टेट वेक्टर (रोबोट और लैंडमार्क स्थितियाँ) के बीच के संबंध को रैखीकृत करता है।

2. फिल्टरिंग एल्गोरिदम:

   • दोनों मोशन और ऑब्जर्वेशन मॉडल्स के रैखीकृत होने के साथ, मानक कलमन फिल्टर को सीधे लागू किया जाता है।
   • एल्गोरिदम कम्प्यूटेशनल गति बढ़ाने के लिए लैंडमार्क अपडेट के लिए अनुक्रमिक प्रसंस्करण (sequential processing) का उपयोग करता है, जिसमें विभिन्न लैंडमार्क्स से प्राप्त अवलोकनों को स्वतंत्र माना जाता है।
   • स्टेट वेक्टर में रोबोट के $(x, y)$ निर्देशांक और सभी देखे गए लैंडमार्क्स के निर्देशांक शामिल हैं।

प्रमुख योगदान

• रूपांतरण द्वारा रैखिकीकरण: यह शोध पत्र एक सरल रूपांतरण पेश करता है जो केवल एक मानक इलेक्ट्रॉनिक कंपास का उपयोग करके गैर-रैखिक SLAM मॉडल्स को रैखिक मॉडल्स में बदल देता है, जिससे EKF जैकोबियन या अनसेंटेड ट्रांसफॉर्मेशन जैसी जटिल रैखिकीकरण तकनीकों की आवश्यकता समाप्त हो जाती है।
• सैद्धांतिक अभिसरण (Convergence): EKF-आधारित तरीकों के विपरीत जहाँ गैर-रैखिकता के कारण अभिसरण प्रमाण कठिन होते हैं, प्रस्तावित रैखिक मॉडल एक कठोर अभिसरण प्रमाण की अनुमति देता है, जो यह गारंटी देता है कि लैंडमार्क्स की पूर्ण स्थिति त्रुटि एक निचले स्तर (lower bound) की ओर बढ़ती है।
• मजबूती (Robustness): यह विधि सेंसर अनिश्चितताओं (गति, स्टीयरिंग कोण और रोबोट कोण) और सिस्टम पैरामीटर्स के परिवर्तनों के प्रति अत्यधिक स्थिर होने के लिए डिज़ाइन की गई है।

प्रायोगिक परिणाम
लेखकों ने कृत्रिम सिमुलेशन और वास्तविक दुनिया के विक्टोरिया पार्क डेटासेट दोनों का उपयोग करके EKF, UnFS और इम्प्रूव्ड CKF (ICKF) विधियों के विरुद्ध LMKF SLAM का मूल्यांकन किया।

• सिमुलेशन (कृत्रिम वातावरण):

  • परीक्षण क्लोज्ड-लूप और ओपन-लूप पथों दोनों पर किए गए।
  • सटीकता: LMKF ने EKF, UnFS और ICKF की तुलना में रोबोट और लैंडमार्क पोजिशनिंग दोनों के लिए काफी कम रूट मीन स्क्वायर एरर (RMSE) प्रदर्शित किया।
  • मजबूती: LMKF का प्रदर्शन रोबोट की गति ($v$) और सेंसर नॉइज़ ($\sigma_G, \sigma_\theta$) बढ़ने पर भी स्थिर रहा। इसके विपरीत, बढ़ते शोर और गति के साथ EKF और ICKF का RMSE तेजी से बढ़ा।
  • पथ निर्भरता: जबकि अन्य विधियों ने क्लोज्ड-लूप पथों में महत्वपूर्ण त्रुटि कमी दिखाई (लूप क्लोजर सुधार के कारण), LMKF ने ओपन-लूप पथों में भी उच्च सटीकता बनाए रखी, जो दर्शाता है कि इसका प्रदर्शन क्लोज्ड लूप के अस्तित्व पर कम निर्भर है।
  • स्थिरता: RMSE का मानक विचलन ($\sigma_{RMSE}$) LMKF के लिए सबसे कम था, जो विभिन्न शोर अनुक्रमों में उच्च विश्वसनीयता का संकेत देता है।

• वास्तविक दुनिया का डेटा (विक्टोरिया पार्क डेटासेट):

  • 2D लेजर स्कैनर और GPS वाले डेटासेट का उपयोग करते हुए, लेखकों ने GPS और पाथ इंफॉर्मेशन का उपयोग करके गायब रोबोट एंगल डेटा का अनुमान लगाया।
  • रोबोट कोण के अपरिपक्व अनुमान के बावजूद (जो प्रस्तावित विधि के लिए एक नुकसान है), LMKF ने EKF (2.58 मीटर), UnFS (2.1 मीटर) और ICKF (2.33 मीटर) की तुलना में सबसे कम RMSE (1.2 मीटर) और मैक्सिमम एब्सोल्यूट एरर (3.46 मीटर) प्राप्त किया।
  • LMKF को अन्य विधियों की तुलना में सबसे कम निष्पादन समय (45.43 सेकंड) भी लगा।

महत्व और दावे
शोध पत्र का दावा है कि प्रस्तावित LMKF SLAM विधि अत्याधुनिक फिल्टरिंग विधियों की तुलना में एक महत्वपूर्ण सुधार का प्रतिनिधित्व करती है। एक सरल रूपांतरण के माध्यम से एक रैखिक मॉडल प्राप्त करके, यह विधि अभिसरण की गारंटी देती है और बेहतर सटीकता एवं स्थिरता प्रदान करती है। लेखक इस बात पर जोर देते हैं कि LMKF विशेष रूप से सेंसर अनिश्चितताओं और सिस्टम पैरामीटर परिवर्तनों के प्रति मजबूत है, जो उन स्थितियों में भी EKF, UnFS और ICKF से बेहतर प्रदर्शन करती है जहाँ प्रतिस्पर्धी मॉडल्स सैद्धांतिक रूप से अनुकूल होते हैं (जैसे कि जब सिमुलेशन पैरामीटर्स को नॉन-लीनियर मॉडल्स को लाभ पहुँचाने के लिए ट्यून किया गया हो)। अध्ययन यह निष्कर्ष निकालता है कि यह दृष्टिकोण जटिल कम्प्यूटेशनल ओवरहेड की आवश्यकता के बिना EKF-आधारित SLAM में सामान्य विचलन समस्याओं को प्रभावी ढंग से संबोधित करता है।