Marker-Constrained Pose-Graph Correction for Cross-Platform Georeferencing in GNSS-Denied Environments
यह शोध पत्र पूर्व-सर्वेक्षण किए गए, छलावरण-युक्त कोलेस्टेरिक स्फेरिक रिफ्लेक्टर (CSR) मार्कर्स का उपयोग करके GNSS-रहित वातावरण में स्वायत्त नेविगेशन के भू-संदर्भित (georeferencing) करने के लिए एक वास्तविक समय के ढांचे का प्रस्ताव करता है, ताकि ड्रिफ्ट को ठीक किया जा सके और विषम LiDAR-ओडोमेट्री तथा सघन पुनर्निर्माण प्रक्षेप पथों को एक सामान्य समन्वय प्रणाली के भीतर संरेखित किया जा सके, जिससे पुनरावृत्ति विसंगति (revisit inconsistency) में 97% से अधिक की कमी आती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
स्वायत्त मशीनों (autonomous machines) की दुनिया में, यह जानना कि आप वास्तव में कहाँ हैं, एक सफल मिशन और एक खोए हुए रोबोट के बीच का अंतर होता है। जब कोई ड्रोन या जमीनी वाहन खुले मैदानों में काम करता है, तो वह अपनी स्थिति का सटीक पता लगाने के लिए उपग्रहों (satellites) पर निर्भर करता है। लेकिन घने जंगलों, गहरे शहरी गलियारों, या उन क्षेत्रों में जहाँ संकेतों को जानबूझकर रोका जाता है, वह उपग्रह मार्गदर्शन गायब हो जाता है। इसके बिना, मशीनों को अपने पथ का अनुमान लगाने के लिए अपने आंतरिक सेंसरों पर निर्भर रहना पड़ता है। ये सेंसर थोड़े समय के लिए गति को ट्रैक करने में अच्छे होते हैं, लेकिन वे अनिवार्य रूप से भटक जाते (drift), जैसे कि एक दिशा-सूचक यंत्र (compass) जो धीरे-धीरे अपने पथ से भटक जाता है। एक लंबी यात्रा के दौरान, यह छोटी सी त्रुटि एक बड़ी गलती में बदल जाती है, जिससे मशीन इस बात को लेकर अनिश्चित हो जाती है कि वह किसी इमारत के सामने खड़ी है या उससे सौ मीटर दूर है। यह समस्या तब और भी कठिन हो जाती है जब विभिन्न प्रकार की मशीनों, जैसे कि उड़ते हुए ड्रोन और चलते हुए रोबोटों को एक मानचित्र साझा करने की आवश्यकता होती है। यदि वे एक सामान्य समन्वय प्रणाली (coordinate system) पर सहमत नहीं हो पाते हैं, तो वे प्रभावी ढंग से मिलकर काम नहीं कर सकते।
इसे हल करने के लिए, शोधकर्ताओं ने एक नई विधि विकसित की है जो मशीनों को अदृश्य, पहले से रखे गए निशानों (markers) का उपयोग करके अपना रास्ता खोजने की अनुमति देती है। ये निशान वे चमकीले, उच्च-कंट्रास्ट वाले स्टिकर नहीं हैं जो आमतौर पर रोबोटिक्स प्रयोगशालाओं में देखे जाते हैं, जो सैन्य या सुरक्षा के संदर्भ में एक छिपी हुई स्थिति को उजागर कर सकते हैं। इसके बजाय, टीम ने विशेष तरल क्रिस्टल (liquid crystals) से बने छोटे गोलों का उपयोग किया जो प्रकाश को इस तरह से परावर्तित करते हैं जो मानव आंखों के लिए अदृश्य है, लेकिन सही फिल्टर से लैस कैमरे के लिए पूरी तरह स्पष्ट है। मिशन से पहले कुछ इन निशानों को ज्ञात स्थानों पर रखकर, शोधकर्ताओं ने एक गुप्त ग्रिड बनाया जिसका उपयोग मशीनें अपने भटकते पथ को सुधारने के लिए कर सकती थीं। लक्ष्य यह देखना था कि क्या यह प्रणाली एक हल्के सेंसर से प्राप्त एक अनुमानित, भटकते पथ और एक भारी सेंसर से प्राप्त एक विस्तृत 3D मानचित्र को, बिना कभी उपग्रह संकेत की आवश्यकता के, वास्तविक दुनिया की सही स्थितियों में सटीक रूप से स्थापित कर सकती है।
शोधकर्ताओं ने इस विचार का परीक्षण करने के लिए दो अलग-अलग प्रकार के मिशनों का अनुकरण (simulate) किया: एक जो हवा में उड़ते ड्रोन की नकल करता है और दूसरा जो पृथ्वी पर चलते जमीनी वाहन की नकल करता है। उन्होंने एक लेजर स्कैनर और एक कैमरा ले जाने वाले एकल हैंडहेल्ड डिवाइस का उपयोग किया, जिसे एक ऐसे मार्ग के माध्यम से घुमाया गया जो उड़ान और जमीनी यात्रा दोनों का प्रतिनिधित्व करता था। इस गुप्त ग्रिड को बनाने के लिए, उन्होंने मार्ग के छह अलग-अलग सर्वेक्षण किए गए स्थानों पर एक भौतिक मार्कर रखा, और डेटा रिकॉर्ड करते समय उसे एक स्थान से दूसरे स्थान पर ले गए। प्रत्येक स्थान पर, मार्कर को इस तरह रखा गया था कि वह नग्न आंखों के लिए अदृश्य रहे, पृष्ठभूमि के साथ पूरी तरह घुलमिल जाए, फिर भी वह प्रकाश के एक विशिष्ट पैटर्न को परावर्तित करे जिसे कैमरा पहचान सके और पहचान सके। फिर सिस्टम ने मशीन के आंतरिक मानचित्र को ठीक करने के लिए इन डिटेक्शन का उपयोग किया।
परिणामों ने दिखाया कि यह दृष्टिकोण उल्लेखनीय रूप से अच्छा काम करता है। सुधार से पहले, मशीन का आंतरिक पथ अनुमान काफी भटक गया था, जिससे वह उस स्थान पर वापस आने पर गलत जगह पर पहुँच गई जहाँ उसने पहले दौरा किया था। मार्कर-आधारित सुधार लागू करने के बाद, ड्रोन-जैसे सत्र में त्रुटि लगभग 98 प्रतिशत कम हो गई, और जमीनी-वाहन-जैसे सत्र में त्रुटि 99 प्रतिशत से अधिक कम हो गई। इसका मतलब था कि जब मशीन शुरुआती बिंदु पर वापस आई, तो वह अपनी स्थिति को अत्यधिक सटीकता के साथ जानती थी, भले ही उसने कभी उपग्रह नहीं देखा था। सिस्टम ने इसके द्वारा बनाए गए विस्तृत 3D मानचित्रों की सटीकता में भी सुधार किया, जिससे वे बिना किसी मैन्युअल स्टिचिंग के वास्तविक दुनिया के साथ सही ढंग से संरेखित हो गए।
अध्ययन का एक प्रमुख हिस्सा यह समझना था कि इन निशानों का प्लेसमेंट परिणामों को कैसे प्रभावित करता है। टीम ने पाया कि अधिक मार्कर होने से आम तौर पर बेहतर सटीकता मिलती है, जो कि स्वाभाविक है। हालाँकि, उन्होंने कुछ आश्चर्यजनक भी खोजा कि उन्हें कहाँ रखना चाहिए। सामान्य ज्ञान यह सुझाव दे सकता है कि एक विस्तृत जाल बनाने के लिए निशानों को एक-दूसरे से जितना संभव हो सके दूर फैलाया जाना चाहिए। फिर भी, डेटा ने दिखाया कि दो अन्य निशरों के बीच एक सीधी रेखा में रखे गए मार्कर, पथ के तीखे कोनों या चरम सीमाओं पर रखे गए मार्करों की तुलना में वास्तव में अधिक सटीक रूप से अनुमानित किए गए थे। ऐसा इसलिए हुआ क्योंकि मानचित्र को ठीक करने के लिए उपयोग की जाने वाली गणितीय प्रक्रिया तब सबसे अच्छा काम करती है जब वह ज्ञात बिंदुओं के बीच के अंतराल को भर रही होती है, न कि तब जब वह उनसे बहुत दूर की चीजों का अनुमान लगाने की कोशिश कर रही होती है। यह अंतर्दृष्टि बताती है कि भविष्य के मिशनों के लिए, सबसे महत्वपूर्ण कारक सीधी रेखाओं से बचना नहीं है, बल्कि यह सुनिश्चित करना है कि रुचि के क्षेत्र के किनारों को निशानों द्वारा कवर किया गया है।
अध्ययन ने यह भी सिद्ध किया कि यह विधि विभिन्न मशीनों को एक-दूसरे से सीधे बात किए बिना एक मानचित्र पर सहमत होने की अनुमति देती है। शोधकर्ताओं ने दो अलग-अलग, विस्तृत 3D मानचित्र तैयार किए—एक सिम्युलेटेड ड्रोन पथ से और दूसरा सिम्युलेटेड जमीनी पथ से। प्रत्येक मानचित्र को केवल छिपे हुए निशानों का उपयोग करके स्वतंत्र रूप से सुधारा गया। जब उन्होंने इन दोनों मानचित्रों को एक के ऊपर एक रखा, तो वे संगत बिंदुओं के बीच केवल 58 सेंटीमीटर के औसत अंतर के साथ मेल खा गए। यह स्तर का तालमेल बिना किसी विशेष सॉफ़्टवेयर के, जो दो मानचित्रों को फिट करने के लिए मजबूर करता है, प्राप्त हुआ, जिससे यह सिद्ध हुआ कि छिपे हुए निशानों ने विभिन्न प्रकार की मशीनों के लिए एक विश्वसनीय सामान्य भाषा प्रदान की।
पूरी प्रक्रिया वास्तविक समय (real-time) के उपयोग के लिए भी पर्याप्त तेज़ थी। कंप्यूटर को पूरे सत्र के पथ को ठीक करने में एक चौथाई सेकंड से भी कम समय लगा, और कैमरा लगभग प्रति सेकंड 80 बार अदृश्य निशानों को पहचान सकता था। यह गति, और यह तथ्य कि मार्कर मानव आंखों के लिए अदृश्य हैं और उन्हें किसी भी सतह में छिपाया जा सकता है, इस प्रणाली को रक्षा और सुरक्षा कार्यों के लिए अत्यधिक व्यावहारिक बनाता है जहाँ दृश्यता एक जोखिम (liability) होती है। शोधकर्ताओं ने उल्लेख किया कि हालांकि यह प्रणाली एक मजबूत 'प्रूफ ऑफ कॉन्सेप्ट' है, भविष्य के कार्यों में एक ही हैंडहेल्ड डिवाइस के बजाय एक साथ कई निशानों को तैनात करने और वास्तविक उड़ने वाले और जमीनी वाहनों पर परीक्षण करने की आवश्यकता होगी। फिलहाल, अध्ययन यह प्रदर्शित करता है कि कुछ सावधानीपूर्वक रखे गए, अदृश्य एंकर्स के साथ, स्वायत्त मशीनें जटिल, सिग्नल-मुक्त वातावरण में सटीकता के एक ऐसे स्तर के साथ नेविगेट कर सकती हैं जो पहले प्राप्त करना कठिन था।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।