Какой алгоритм я могу использовать для построения карты исследуемой области с использованием ряда ультразвуковых датчиков?

Ультразвуковые датчики невероятно дешевы в наши дни, что делает их популярным выбором для многих робототехнических приложений-любителей, и я хотел бы использовать их (скажем, 10) вокруг робота с алгоритмом для построения приблизительной карты местности (как робот исследует его.) Я не заинтересован в том, чтобы иметь дело с движущимися объектами на данном этапе, просто определяю стационарные, и я буду использовать GPS для определения местоположения. Я понимаю, что другие компоненты, такие как лазерный сканер, будут давать гораздо более точные результаты, однако такие устройства также астрономически дороже.

Существует ли алгоритм для этой цели?

Алгоритмы по сути одинаковы, независимо от того, какие датчики вы используете.

Настоящая проблема, о которой говорил Крис , в том, что SLAM сложен даже с очень хорошими датчиками.

Я считаю, что GPS, одометрия колес и IMU необходимы для того, чтобы даже попытаться ударить ультразвуком.

Если вы просто ищете дешевую локализацию, я рекомендую взглянуть и на шлемы на основе vision / kinect. И веб-камеры, и Kinect очень дешевы, и визуальный удар прошел долгий путь.

Kinect в значительной степени является святым Граалем с точки зрения производительности / стоимости сенсора, пока вы находитесь в помещении.

Вот пример kinect на робота плюс много математики: http://www.youtube.com/watch?v=9Y4RQVpp-BY

Есть целая область литературы по этой теме. Наиболее общей идеей является идея одновременной локализации и картирования ( SLAM ), где робот должен построить карту одновременно с тем, как он обнаружил себя на этой карте. В зависимости от того, насколько точной вы хотите, чтобы ваши карты были, вы можете попробовать более простую задачу создания карты сетки занятости , которая предполагает, что вы знаете местоположение робота.

В общем, GPS довольно ужасен, поэтому генерация сетки занятости только с использованием GPS в качестве основного источника местоположения будет генерировать довольно размытые карты. Тем не менее, можно интегрировать GPS с ускорением, гироскопами, компасами, камерами, колесными датчиками и другими датчиками, чтобы приблизиться к хорошей позиции в мире. В противном случае вам нужно будет изучить простую систему SLAM для решения ваших проблем.

Хороший пакет с открытым исходным кодом g2o , для так называемого GraphSLAM, позволяет устанавливать ограничения, такие как GPS и относительное положение относительно стен. Это может быть не совсем точно, но это довольно общее.

Чтобы сделать SLAM, вам понадобится относительно хорошая оценка позиции.

Роботы, которые используют лазерные сканеры, могут обойтись только одометрией, потому что данные относительно точны, и данные сканера могут использоваться, чтобы помочь локализовать в последующих временных шагах.

Ультразвуковые датчики очень нечеткие, обычно они имеют нечеткость направления 20+ градусов, и все в общем направлении будет обнаружено.

Таким образом, они оказывают незначительную помощь в локализации (за исключением очень структурированных сред).

Комбинация GPS / IMU может использоваться для получения разумной локализации. Конечно, это зависит от масштаба робота, и, если он находится в помещении, GPS может быть непрактичным.

Если вы можете тщательно контролировать проскальзывание колеса, одометрия колеса может значительно улучшить локализацию в краткосрочной перспективе (хотя предпочтительным является абсолютный метод локализации). Без абсолютной привязки (например, GPS), даже с лазерным сканером, вам нужно будет решить проблему «замыкания петли».

Структурированные среды могут иметь более низкие требования к точности. Например, среда, похожая на лабиринт, со стенами на регулярной квадратной сетке, где легко обнаружить присутствие стены в каждом направлении ячейки сетки.