Lekcija

L k ij 10
10: Gradnja
G d j mape
robotske okoline
Prof.dr.sc.
Prof dr sc Jasmin Velagić
Elektrotehnički fakultet Sarajevo

K l ij M
Kolegij: Mobilna
bil robotika
b tik

2012/2013
10.1. Uvod
ƒ Postupak gradnje (konstrukcije) mape modela
robotske okoline temelji se na mjerenjima 2/81
senzora.
ƒ Sposobnost
p gradnje
g j mape
p okoline mobilnog g
robota predstavlja važan zahtjev u mnogim
primjenama mobilnog robota.
ƒ Levitt i Lawton (1990) su postavili tri osnovna
pitanja koja definiraju mapiranje i navigaciju
mobilnih robota:
ƒ Gdje sam ja?
ƒ Kako da iz trenutnog položaja stignem do
drugih mjesta?
ƒ Gdje se nalaze druga mjesta u odnosu na
mene?
Uvod
ƒ Mape obično predstavljaju strukturalne elemente
u nekoj apstraktnoj domeni (naprimjer, sa 3/81
semantičkim oznakama).
ƒ U vezi s tim mobilni robot mora biti sposoban
p
povezati svoju trenutnu lokaciju direktno sa
vlastitom predodžbom svoje okoline.
ƒ Mape često ovise o interpretativnim
sposobnostima osoba koje ih grade i njihovih
sposobnosti da načine funkcionalne zaključke,
odnosno sposobnosti koje često izostaju u
računarskim
č ki sistemima.
i t i
ƒ Nadalje, senzorske karakteristike objekata su
relevantne u gradnji i razumijevanju mapa.
Uvod
ƒ Mape mogu biti različitih oblika.
ƒ Postoje dvije glavne podjele na: 4/81

ƒ Metričke mape, mape koje se temelje na

apsolutnom koordinatnom sistemu i
numeričkoj estimaciji položaja objekata u
prostoru.
prostoru
ƒ Topološke ili relacijske mape, odnosno
mape koje
k j eksplicitno
k li it prikazuju
ik j iinformacije
f ij
povezivanja, izražene u obliku grafova.
Uvod

5/81

P i j metričke
Primjer t ičk mape

Primjer topološke mape

Uvod
Metričke mape
- jednostavna gradnja,
prikaz i održavanje,
prednosti - prepoznavanje mj esta prednosti
(temelj eno na
geometriji) nije
dvoznačno i neovi sno
je o tački po gleda
gleda,
- sposobnost računanja
najkraćeg puta.
- neefikasno planiranje,
rezo lucija ne ovisi o
nedostaci složenosti okolin e,
- ne daje tačnu robotsku ned ostaci - prepoznavanje mjesta
poziciju,
- slabo
l b sučelje
č lj sa
rj ešava njem
simboličkih problema.
Topološke mape
- omogućuje efikasno
planiranje, mal a
slo ženost pr ostora 6/81
(rezolucija o visi o
slo ženosti okoline),
- ne zahtijeva tačno
određivanj e robotske
pozicije,
- konvencionalan prikaz
za rješavanje
simboličkih pr obl ema
planiranja, prirodni
jezici.
- otežana konstrukcija i
održavanje modela
velikih okolina,
zasnovano na
pomočnimč i objektima
bj kti
(orijentiri) nije
jednoznačno,
osj etljivo na tačku
pogleda,
pogleda
- može dati neoptimalne
puta nj e.
Uvod
ƒ Komparirajući prednosti i nedostatke metričkih i
topoloških mapa, može se reći sljedeće: 7/81
metričke mape su lakše za učenje, što je
posljedica njihove sposobnosti tačne
lokalizacije i jednostavnosti održavanja.
ƒ Topološke mape su kompaktnije i shodno
tome omogućuju brže planiranje.
ƒ Da bi se iskoristile prednosti metričkih i
topoloških mapa, često je povoljno razmatrati
konstrukciju jednog prikaza korištenjem
obzervacija
b ij iiz d
drugog manjej apstraktnog
t kt prikaza,
ik
odnosno izvršiti integraciju oba pristupa s ciljem
postizanja tačnijeg modela okoline
okoline.
Uvod
ƒ Prirodnije je promatrati lokalne nego velike
skalirane opise
p robotske okoline. 8/81
ƒ Posljedica toga jesu hijerarhijsko-slojeviti
prikazi podataka mape u sljedećih pet slojeva
(Dudek (1996)):
ƒ Senzorski.
Senzorski
ƒ Geometrijski.
ƒ Lokalno povezani.
p
ƒ Topološki.
ƒ Semantički.
Uvod
ƒ Glavne prednosti upotrebe mapa za navigaciju
mobilnih robota su: 9/81
¾ Koriste prirodne strukture tipične unutrašnje
okoline za dobivanje informacija o poziciji ne
mijenjajući okolinu.
¾ Vremensko ponovno generiranje mape
okoline. Mape okoline su važne za druge
zadaće mobilnih robota, kao što su globalno
planiranje
l i j putanje
t j ili izbjegavanje
i bj j zamki
ki titipa
lokalni minimum u nekim postupcima lokalnog
zaobilaženja prepreka.
prepreka
¾ Mape omogućuju robotu da uči nove okoline
i poboljšava tačnost pozicioniranja tokom
istraživanja.
Uvod
ƒ Nedostaci korištenja mapa su u uskoj vezi
sa specifičnim zahtjevima zadovoljavanja 10/81
problema navigacije.
ƒ Mogući nedostaci su:
¾ Zahtijeva postojanje dovoljne
stacionarnosti,
t i ti odnosno
d jjednostavno
d t
razlikovanje karakteristika koje mogu biti
predmet
d t uspoređivanja.
đi j
¾ Senzorske mape moraju biti dovoljno
tačne da bi bile upotrebljive.
¾ Potrebna značajnaj moć opažanja
p j i
procesiranja.
Uvod
ƒ Za uspješno izvođenje misije u unutarnjim
prostorijama mobilni roboti moraju imati
prostorijama, 11/81
sposobnost gradnje i održavanja modela
okoline
okoline.
ƒ Sljedeći faktori ograničavaju robotsku
sposobnost učenja i upotrebe tačnih modela
okoline:
¾ Senzori
Senzori. Senzori često nisu sposobni direktno
mjeriti kvantitativne značajke koje su od interesa
za danu primjenu. Naprimjer, kamere mjere vrstu
boje, osvjetljenje, itd., dok je za navigaciju
relevantan iskaz tipa “vrata se nalaze ispred
robota”.
Uvod
¾ Perceptualna ograničenja. Područje percepcije
(opažanja) većine senzora (kao što su 12/81
ultrasonični, kamere) je ograničeno na malo
područje oko robota. Za formiranje globalne
i f
informacije,
ij robot
b t mora aktivno
kti iistražiti
t žiti svoju
j
okolinu.
¾ Šum senzora.
senzora Mjerenja senzora su obično
prekrivena šumom. Često je distribucija šuma
nepoznata (rijetko se javlja Gausov šum)
šum).
¾ Drift (pomak) / klizanje. Kretanja robota su
općenito netačna
netačna. Nažalost
Nažalost, odometrijske
pogreške se akumuliraju sa vremenom. Tada
i najmanje pogreške u rotaciji mogu imati
snažan utjecaj na pogrešku u translaciji.
Uvod
¾ Složenost i dinamika. Robotske okoline su
složene i dinamične,, tako da jej principijelno
p pj 13/81
nemoguće održavati stvarne modele istih.
¾ Zahtjevi u stvarnom vremenu (real (real-time).
time).
Vremenski zahtjevi često zahtijevaju da
unutarnjij model mora biti jjednostavan i lahko
dostupan. Naprimjer, tačni CAD modeli
složenih unutarnjih prostorija su često
nezgodni ako se akcije moraju generirati brzo.
ƒ U osnovi postoje dva opća postupka gradnje
mape koja se temelje na prethodnom postojanju,
odnosno nepostojanju mape okoline. Prvi
pristup
i t kkoristi
i ti već
ć postojeću
t j ć mapu, dokd kddrugii
gradi mapu okoline tokom kretanja robota.
 10.2. Metričke mape
ƒ Metričke mape predstavljaju mape sa mrežom
ćelija, gdje svaka ćelija sadrži vrijednost koja
14/81
izražava prisutnost ili nepostojanje prepreka u
odgovarajućem području okoline.
ƒ Metričke
M t ičk mape su poznate t i pod d iimenima
i mrežaste
ž t
mape i mape zauzeća.
ƒ Zajednička osobina postupaka prostorne zauzetosti
jest pohrana vrijednosti u mrežu zauzeća koje
reflektiraju stupanj zauzetosti svake ćelije: jedan za
punu zauzetost ćelije, a nula za praznu ćeliju.
ƒ Alternativan p pristup
p se sastojij u p
pohranjivanju
j j
izvjesnosti Pzauz o zauzetosti ćelije.
ƒ Treća varijanta iskazuje veličinu zauzetosti: u cijelosti
puna, djelomično ili potpuno prazna.
Metričke mape
ƒ Osnovna ideja je u konstrukciji mreže zauzeća
na temelju senzorskih mjerenja kada se robot 15/81
kreće kroz okolinu.
ƒ Potrebno jje povezati
p mjerenja
j j senzora sa
odometrijskim informacijama i na temelju
toga koristiti neki od postupaka gradnje
mape.
ƒ Tri glavna koraka u obradi senzorskih podataka
potrebnih za gradnju mape:
¾ Ekstrakcija značajki iz senzorskih podataka.
¾ Fuzija podataka iz različitih senzorskih
izvora.
¾ Automatsko generiranje modela okoline sa
različitim stupnjevima apstrakcije.
Metričke mape
ƒ Kod mapa zauzeća su evidentna dva
komplementarna prikaza: jedan za izvjesnost da je
16/81
ćelija prazna, a drugi da je puna, odnosno zauzeta.
ƒ Održavanje i upotreba prikaza zauzetosti obično se
obavljaju pomoću metoda vjerojatnosti, kao što su
Bayesova teorija i Dempster-Shaferova teorija
uvjerenja.
jerenja
ƒ Da bi se neka od ovih metoda mogla primijeniti
zahtijeva se da vjerojatnosni model senzora
povezuje različita, moguća mjerenja konfiguracije
okoline.
okoline
ƒ Za potrebe gradnje metričkih mapa se u praksi, od
senzora najčešće koristi ultrazvučni senzor ili
senzora,
sonar.
Metričke mape
ƒ Mrežasta mapa prostora je matrica U, sa m×n
ćelija Cij, svaka veličine σ×σ. Jedna ćelija 17/81
predstavlja dio prostora.
Metričke mape
ƒ Ovaj skup ćelija može se opisati na sljedeći
način: 18/81
U = {Cij | i ∈ [1, m], j ∈ [1, n]}

ƒ Neka je dan skup očitanja senzora r={r1,..., rp},

sakupljen sa poznatih lokacija L
L={l
{l1,..., lq}.
}
ƒ Sistem za gradnju mape, zasnovan na mjerenju
sonara je ustvari fuzija podataka dobivenih duž
sonara,
staze [l1l2... lq].
rezultat, svaka ćelija Cij može poprimiti
ƒ Kao rezultat
vrijednost uvjerenja da je prazna ili puna.
ƒ Ćelije obojene crnom bojom su popunjene
popunjene, a
bijelom prazne (pogledati prethodnu sliku).
Metričke mape
ƒ Dijagram toka odvijanja procesa gradnje mape
prikazan jje na slici.
p 19/81
Iz navigacijskog sistema

Opažanje okoline
(percepcija)
sik
Teorija
T ij
vjerojatnosti
Obrada mjerenja
senzora

Agregacija Teorija
podataka vjerojatnosti
Fuzija
Osvježavanje
mape
k k
mM ( P ), mM (Z )
U navigacijski sistem
Metričke mape
ƒ Proces gradnje mape prostora sastoji se od
tri koraka: 20/81
¾Percepcija - aktiviranje sonara u
odgovarajućoj sekvenci dok se ne prikupi
paket od n mjerenja.
¾Obrada podataka - ultrazvučna mjerenja
se obrađuju kako bi se izgradio lokalni
prikaz okoline u smislu praznog i zauzetog
prostora.
¾F ij – lokalni
¾Fuzija l k l i prikaz
ik okoline
k li se iintegrira
t i
u globalni, odbacujući kontradiktorne i
nedovoljne
d lj iinformacije.
f ij
10.2.1. Model sonarnog senzora
ƒ Uvjerenje o zauzeću ćelija dobiva se projekcijom
odziva sonara u mrežu zauzeća pomoću 21/81
njegovog modela.
ƒ Model sonara jje funkcija
j ugla
g βip područja
j čitanja
j
sonara R.
Model sonarnog senzora
ƒ Svaki element mreže sadrži vrijednost koja
predstavlja uvjerenje da li je ćelija zauzeta 22/81
ili prazna.
ƒ Na prethodnoj slici je polje pogleda
podijeljeno u tri regiona:
¾Region I: postoji vjerojatnoća da je
ćelija u ovom području zauzeta.
¾Region II: postoji vjerojatnoća da je
ćelija
j u ovom području
p j prazna.
p
¾Region III: vjerojatnoća o zauzeću ćelije
je neodređena.
10.2.2. Gradnja mape Bayesovom teorijom
ƒ Bayesova teorija predstavlja jednu od
najpoznatijih tehnika u fuziji senzorskih podataka, 23/81
njihovom preslikavanju u vjerojatnoće zauzeća i
kombiniranju ovih vjerojatnoća.
ƒ Elfes i Moravec su pioniri u korištenju Bayesove
teorije za potrebe gradnje mrežastih mapa
zauzeća (1985).
ƒ Ako se koriste sonarni senzori tada se može
opaziti samo jedan događaj, odnosno, da li je
segment ili element (ćelija) Cij mape zauzet ili
prazan.
ƒ Ovo se može napisati kao H={CO, CE}, gdje CO
označava zauzetu ćeliju i CE praznu ćeliju.
Gradnja mape Bayesovom teorijom
ƒ Vjerojatnost da se H zaista dogodio je
predstavljena sa P(H) i može poprimiti vrijednosti 24/81
od 0 do 1:
0 ≤ P( H ) ≤ 1

ƒ Vjerojatnost da ćelija Cij nije zauzeta može se

napisati kao:
P(C E ) = 1 − P(CO ) (*)

ƒ Iz ovog izraza slijedi da se P(CE) može izračunati

ako je poznato P(CO).
ƒ Vjerojatnosti P(H) i P(¬H) se nazivaju neuvjetne
vjerojatnosti.
Gradnja mape Bayesovom teorijom
ƒ Ove vjerojatnosti nisu interesantne u gradnji
mape jer osiguravaju samo apriori informacije. 25/81
ƒ Mnogo je korisnije da robot koristi funkciju koja će
računati vjerojatnost
j j da jje segment
g Cij zauzet, ili
prazan, za pojedinačno mjerenje senzora s.
ƒ Ova vjerojatnost
j j se naziva uvjetnaj vjerojatnost.
j j
ƒ U Bayesovom pristupu model senzora generira
uvjetne
j vjerojatnosti
j j u obliku P( s | H ) , dok
Bayesova pravila računaju vjerojatnosti P( H | s ) .
ƒ Uvjetna
j vjerojatnost
j j P( H | s ) označava vjerojatnost
j j
da je neki segment H zauzet za zadano očitanje
senzora s, dok P( s | H ) predstavlja vjerojatnost
da mobilni robot vidi očitanje senzora s uz uvjet
da je neki segment H zauzet.
Gradnja mape Bayesovom teorijom
ƒ Iz izraza (*) slijedi da za neuvjetne vjerojatnosti
vrijedi da je P( H | s ) + P(¬H | s ) = 1. 26/81
ƒ U mrežastoj mapi zauzeća za svaki njen element,
odnosno ćeliju j Cij, kojij jje p
prekriven skeniranjem
j
senzora računa se P (CO | s ) i P(C E | s ) .
ƒ U svaku ćelijuj mreže se p pohranjuju
j j vrijednosti
j
vjerojatnosti da je ćelija zauzeta i prazna.
ƒ Drugim
g riječima,
j , ovom vjerojatnošću
j j se izražava
izvjesnost o zauzeću ćelije mreže.
ƒ Zbog g toga
g jje neophodno
p imati funkciju
j koja
j će
transformirati pojedinačno mjerenje sonara u
vjerojatnost za svaku ćeliju, kako je prikazano
na slici sa slajda broj 21.
Gradnja mape Bayesovom teorijom
ƒ Za svaku ćeliju mreže unutar Regiona I
vjerojatnoća zauzeća se računa na sljedeći način: 27/81

⎛ R − r ⎞ ⎛ β −α ⎞
⎜ ⎟ + ⎜⎜ ⎟⎟
⎝ R ⎠ ⎝ β ⎠
P(O ) = × MaxO ((**))
2
P(E) = 1 − P(O )

gdje r i α označavaju udaljenost do elementa

mreže
ž i ugao kkojiji zatvara
t pravac usmjeren
j
prema elementu mreže i pravac koji se proteže
sredinom konusa sonarnog senzora
senzora, respektivno
respektivno.
Gradnja mape Bayesovom teorijom
ƒ Izraz (β - α)/β govori da element mreže ima
veće uvjerenje
j j o zauzeću ako se nalazi bliže 28/81
akustičnoj osi.
ƒ Isto tako,
tako element bliži ishodištu snopa
isijavanja sonara također ima veće uvjerenje
o zauzeću
zauzeću.
ƒ Izraz MaxO izražava pretpostavku o tome da
uvjerenje o zauzeću elementa mreže nikad
ne poprima punu vrijednost, odnosno 1.
ƒ Tako,
T k naprimjer,
i j MaxM O = 0.98
0 98 znači
či d
da
vjerojatnost zauzeća elementa mreže nikad
ne možež biti veći
ći od
d00.98.
98
Gradnja mape Bayesovom teorijom
ƒ Važno je naglasiti da region I na slici sa slajda
21. ima konačne dimenzije. 29/81
ƒ Usljed rezolucije sonara područje čitanja 0.87
metara može u stvarnosti biti između 0.82 i 0.92,
odnosno 0.87 ± 0.05 metara.
ƒ Vrijednost
j ± 0.05 metara naziva se tolerancija. j
ƒ Svaki element mreže u Regionu II se osvježava
korištenjem
j sljedećih
j jednadžbi:
j

P(O ) = 1 − P(E) Za razliku od Regiona

g I,
(***) ⎛ R − r ⎞ ⎛ β −α ⎞ vjerojatnost da je
⎜ ⎟ + ⎜⎜ ⎟⎟ element mreže unutar
⎝ R ⎠ ⎝ β ⎠ Regiona II prazan
P(E) = iznosi 1.
2
Primjer 1.
ƒ Na slici je prikazana mrežasta mapa zauzeća sa
robotom unutar nje. 30/81

III R=6

s=4
I
β=15°
β=15
II
r = 2, α = 0°
Primjer 1.
ƒ Robot je prikazan krugom.
ƒ Sonarni senzor vraća vrijednost mjerenja unutar 31/81
4 metara sa tolerancijom ± 0.5 metara.
ƒ Maksimalna vjerojatnost zauzeća elementa
mreže iznosi MaxO = 0.98.
ƒ Na udaljenosti 2 metra od ishodišta snopa
isijavanja sonar registrira prepreku (r = 2).
ƒ Budući da je (4 - 0.5)
0 5) > 2 slijedi da je registrirani
element mreže u Regionu II.
ƒ Ugao pod kojim sonar vidi taj element je α = 0° 0.
ƒ Nakon identificiranja regiona kojem pripada
registrirani element mrežaste mape koriste se
izrazi za računanje vjerojatnosti zauzeća ćelije.
Primjer 1.
ƒ Za zadane vrijednosti r, R, α i β dobivaju se
sljedeće vrijednosti vjerojatnosti zauzeća, 32/81
korištenjem jednadžbi (***):

⎛ 6 − 2 ⎞ ⎛ 15 − 0 ⎞
⎜ ⎟+⎜ ⎟
⎝ 6 ⎠ ⎝ 15 ⎠
P(E) = = 0.83
2
P(O ) = 1 − 0.83 = 0.17
Primjer 2.
ƒ Na slici ispod sonarni senzor je registrirao
objekat koji prekriva ćeliju na udaljenosti r = 4 33/81
metra i pod uglom α = 5° i nalazi se u regionu I.

Korištenjem jednadžbi (**)

R=6 dobivaju se sljedeće
III vrijednosti vjerojatnosti
β 15°
β=15°
zauzeća registriranog
I s=4 elementa mrežaste mape:
r=4, α=5°
⎛ 6 − 4 ⎞ ⎛ 15 − 5 ⎞
II ⎜ ⎟+⎜ ⎟
⎝ 6 ⎠ ⎝ 15 ⎠
P(O ) = × 0.98 = 0.49
2
P(E) = 1 − 0.49 = 0.51
Gradnja mape Bayesovom teorijom
ƒ Navedena dva primjera su demonstrirala
računanje neuvjetne vjerojatnosti. 34/81
ƒ Ranije je navedeno da je za senzorske modele
mnogog p prihvatljivije
j j računati uvjetne
j vjerojatnosti.
j j
ƒ U slučaju uvjetne vjerojatnosti model senzora
prikazuje
p j P(s|H).
( | )
ƒ Korištenjem Bayesovog pravila izračunava se
vjerojatnost
j j zauzeća elementa mreže P(H|s)
( | ) za
zadano mjerenje senzora:

P( s | H ) P( H )
P( H | s) = (****)
P ( s | H ) P ( H ) + P ( s | ¬H ) P ( ¬H )
Gradnja mape Bayesovom teorijom
ƒ Prevodeći prethodni izraz u oblik sa zauzećem
elementa mreže H slijedi: 35/81
P( s | O) P(O)
P(O | s) =
P( s | O) P(O) + P( s | E ) P( E )

ƒ Vrijednosti
j P(s|O)
( | ) i P(s|E)
( | ) su poznate iz modela
senzora. Neuvjetne vjerojatnosti P(O) i P(E) su
ranije (unaprijed) poznate.
ƒ Uvrštavanjem ovih vrijednosti u prethodni izraz
dobiva se trenutna vrijednost zauzeća
promatranog elementa mrežaste mape.
ƒ Važno je napomenuti da u mnogim slučajevima
nema unaprijed znanja na temelju kojeg bi se
izračunale neuvjetne vjerojatnosti.
Gradnja mape Bayesovom teorijom
ƒ U tim slučajevima se uzima da je P(O) = P(E)
=0.5. 36/81
ƒ Ako su P(s = 4|O) = 0.58 i P(s = 4|E) = 0.42 ,
tada se korištenjem
j izraza ((****)) za element
mrežaste mape Cij dobivaju sljedeće vrijednosti
vjerojatnosti zauzeća:

(0.58)(0.5)
P(O | s = 4) = = 0.58
(0.58)(0.5) + (0.42)(0.5)

(0.42)(0.5)
P( E | s = 4) = = 0.42
(0.42)(0.5) + (0.58)(0.5)
 Gradnja mape Bayesovom teorijom
ƒ Svi do sada ilustrirani primjeri su razmatrali
pojedinačno mjerenje i na temelju njega izračunavali
37/81
neuvjetne
j t i uvjetne
j t vjerojatnosti
j j t ti zauzeća
ć elementa
l t
mrežaste mape.
ƒ Sada se postavlja pitanje: "Kako
Kako kombinirati ovo
mjerenje sa drugim mjerenjima (fuzija)? ".
ƒ Prvo ovježavanje je jednostavno. Svaki element
mrežaste mape je inicijaliziran sa a priori
vjerojatnostima o zauzeću elementa mape (prazan i
zauzet).
ƒ Ako a priori vjerojatnosti zauzeća elementa mape nisu
poznate pretpostavlja se da je P(H) = P(¬H) = 0.5.
poznate, 05
ƒ Nakon toga se primjenom Bayesovog pravila računaju
nove vrijednosti vjerojatnosti zauzeća elementa mreže
koje zamjenjuju stare, dok je a priori vrijednosti (P(H) =
0.5).
 Gradnja mape Bayesovom teorijom
ƒ U slučaju kada više senzora registrira zauzeće istog
elementa mrežaste mape tada Bayesovo pravilo
38/81
postaje (za n obzervacija s1, s2, ..., sn):

P( s1 , s 2 ,..., sn | H ) P( H )
P( H | s1 , s 2 ,..., sn ) =
P( s1 , s 2 ,..., sn | H ) P( H ) + P( s1 , s2 ,..., s n | ¬H ) P(¬H )

ƒ Ovdje se sada javlja problem generiranja P(s1, s2, ...,

sn).
ƒ Idealno bi bilo da model sonara daje vrijednosti
zauzeća svih elemenata mreže Cij za n kombinacija
senzorskih očitanja.
očitanja
ƒ Ako se očitanje senzora s1 može smatrati kao
rezultat eksperimenta različitog od onog za s2 i
ostale senzore, tada se P(s1,s2,...,sn|H)
pojednostavljuje izrazom P(s1|H)·P(s2|H) ·...· P(sn|H).
Gradnja mape Bayesovom teorijom
ƒ Program mora moći zapamtiti svih n-1
mjerenja
j j ((očitanja).
j ) 39/81
ƒ Budući da ne postoji način predikcije koliko
dugo će pojedinačni segment mreže biti
opažen to će ovo stvarati priličan
programerski problem.
problem
ƒ Na sljedećoj slici su prikazana tri skeniranja
sonarnog senzora (slike u prvom redu) i na
temelju njih generirane mreže zauzeća
pomoću neuronske mreže (Thrun & Bücken,
Bücken
1996).
Gradnja mape Bayesovom teorijom
ƒ Skeniranje sonarnim senzorom i generiranje
mrežaste mape zauzeća 40/81
Gradnja mape Bayesovom teorijom
ƒ Primjer mrežaste mape dobivene pomoću AAAI
robota (Thrun & Bücken, 1996) upotrebom
41/81
Bayesove teorije vjerojatnosti na temelju mjerenja
sonarnih senzora prikazan je na slici.
10.2.3. Gradnja mape D-S teorijom
ƒ Dempster-Shaferova teorija uvjerenja spada u
skupinu subjektivno probabilističkih tehnika 42/81
koje imaju mogućnost suočavanja sa
neizvjesnim i nekompletnim informacijama.
ƒ Ona je istovremeno teorija uvjerenja, jer koristi
stupanj potpore temeljen na uvjerenju, i teorija
vjerojatnosti, budući da koristi kombinaciju
uvjerenja.
ƒ Također, Dempsterova teorija se temelji na
pojedinačnom mišljenju i mnogo je interesantnija
u području
d čj uvjerenja
j j i vjerodostojnosti
j d t j ti nego
vjerojatnosti.
ƒ Ova
O teorija omogućuje prikaz neznanja i stoga je
funkcija djelomičnog znanja.
 Gradnja mape D-S teorijom
ƒ Probabilističke tehnike (npr. Bayesova), razmatraju
pojedinačne propozicije i pridružuju svakoj kauzalni
43/81
utjecaj
tj j ili numeričku
ičk estimaciju
ti ij stupnja
t j uvjerenja
j j kkojeg
j
ona može imati.
ƒ Jedno od ograničenja probabilističkih pristupa jest
da oni koriste pojedinačne kvantitete za mjeru
((svakojj propoziciji
p p j se pridružuje
p j jedna
j vrijednost),
j ),
što može biti veoma složena situacija.
ƒ Dempster-Shaferova teorija uvjerenja razmatra
skupove propozicija i pridružuje svakoj od njih
interval [uvjerenje, vjerodostojnost], unutar kojeg
moraju postojati stupnjevi uvjerenja za svaku
propoziciju.
j
ƒ Ova mjera uvjerenja,
j j , označena sa Bel,, rangirana
g jje od
nule, što znači neuvjerenje za skup propozicija, do
jedan, što predstavlja uvjerenje izvjesnosti.
Elementi D-S teorije uvjerenja
ƒ Dempster-Shaferova teorija uvjerenja
karakterizirana je sistemom razlikovanja (engl. 44/81
frame of discernment, FOD), dodjeljivanjem
osnovne vjerojatnosti (engl. basic probability
assignment, BPA), uvjerenjem (engl. belief, Bel),
vjerodostojnošću (engl. plausibility, Pls) i
D
Dempsterovim
t i pravilom
il kombiniranja
k bi i j (engl.
( l
Dempster’s rule of combination).
ƒ Definicija
D fi i ij 1.1 Sistem
Si t razlikovanja
lik j (FOD),
(FOD)
označen sa Θ, definiran je kao konačni skup
oznaka (engl
(engl. labels) koje predstavljaju
uzajamno isključive događaje (engl. muttualy
exclusive events)
events).
Elementi D-S teorije uvjerenja
ƒ Definicija 2. Pridruživanje osnovne
vjerojatnosti (BPA) je funkcija m:Ψ→[0,1], gdje 45/81
je Ψ skup svih podskupova Θ. Moć skupa Θ
je Ψ = 2 Θ. Funkcija m može se interpretirati kao
distribucija vjerojatnosti svake od oznaka u Ψ-u,
sa zadovoljenjem sljedećeg kriterija:

∑ m( A) = 1
A⊂Ψ gdje je φ prazan skup
m(φ ) = 0

ƒ Tako je oznaci A pridružena osnovna

vjerojatnost izražena brojem m(A), koja opisuje
stupanj uvjerenja da je to stvarno A.
Elementi D-S teorije uvjerenja
ƒ Međutim, totalno uvjerenje pripisano A-u je suma
svih brojčano izraženih vjerojatnosti pridruženih A-u
46/81
i njegovim podskupovima:

Bel ( A) = ∑ m( B )
∀B: B ⊆ A

ƒ Definicija 3.
3 Funkcija uvjerenja Bel:Ψ→[0,1]
Bel:Ψ [0 1] je
kvantitet uvjerenja koji podržava propozicije A i B i
ima sljedeća svojstva:
Bel (φ ) = 0
Bel (Θ) = 1
Bel ( A) + Bel (¬B) ≤ 1
Bel ( A) ≤ Bel ( B),
) ako je A ⊂ B
Bel ( A ∩ B)) min( Bel ( A), Bel ( B))
Elementi D-S teorije uvjerenja
ƒ Definicija 4. Vjerodostojnost (Pls)
propozicije
p p j A može se iskazati kao vrijednost
j 47/81
uvjerenja koja ne podržava njenu negaciju
((negaciju
g j od A). ) Ona jje definirana kao
Pls:Ψ→[0,1], sa sljedećim svojstvima:

Pls ( A) = 1 − Bel (¬A) = 1 − ∑ m( B )

∀B: A⊄ B

Pls ( A) − Bel ( B) ≥ 0
Pls ( A ∪ B) = max( Pls ( A), Pls ( B))
Elementi D-S teorije uvjerenja
ƒ Definicija 5. Stanje svake oznake (opisano
sa BPA)) ponovno
p se postavlja
p j 48/81
kombiniranjem novog neovisnog izvora
uvjerenja
j j korištenjem
j Dempsterovog
p g p
pravilo
kombinacije, odnosno zaključivanja, na
sljedeći
j način:

∑ m ( B)m (C )
1
∀B , C∈Ψ : B ∩ C = A
2

m1 ⊕ m2 ( A) =
1− ∑ m ( B)m (C )
1
∀B , C∈Ψ : B ∩ C =φ
2

m1 ⊕ m2 (φ ) = 0
Primjer 3.
ƒ Pretpostavimo da je Θ={A,B,C} i m1({A})=0.5,
m1({A,B})=0.5, m1({A,B,C})= 0.5, m1(ostali)= 0, 49/81
m2({B,C})=0.4, m2({A,B,C})=0.6, m2(ostali)= 0.
Izračunati m1 ⊕ m2.
ƒ Moć skupa Θ je:

2 Θ = {φ , { A},
} {B},
} {C},
} { A, B},
} {B, C},
} { A, C},
} { A, B, C}}
ƒ Suma Γ = ∑ m ( X )m (Y )
1
∀X ,Y ∈Ψ : X ∩Y =φ
2 jednaka je:

Γ= ∑ m (X )m (Y ) = m ({ A})m ({B, C}) + m ({B})m ({ A, C}) + m ({C})m ({ A, B})

1
∀X ,Y ∈Ψ :X ∩Y =φ
2 1 2 1 2 1 2

+ m1 ({ A, C })m2 ({ B}) + m1 ({ A, B})m2 ({C }) + m1 ({ B, C })m2 ({ A})

+ m1 ({φ })m2 ({ A, B, C }) + m1 ({ A, B, C })m2 ({φ })
=0
 Primjer 3.
ƒ Korištenjem Dempsterovog pravila kombiniranja
dobivaju se sljedeće sume: 50/81

1
(m1 ⊕ m2 )({ A}) = [m1 ({ A}) m2 ({ A, C}) + m1 ({ A}) m2 ({ A, B}) + m1 ({ A, B}) m2 ({ A})
1− Γ
+ m1 ({ A, C}) m2 ({ A}) + m1 ({ A})m2 ({ A, B, C}) + m1 ({ A, B, C}) m2 ({ A})
+ m1 ({ A, C}) m2 ({ A, B}) + m1 ({ A, B}) m2 ({ A, C})]
= 1× (0 + 0 + 0 × 0.6 + 0.5 × 0 + 0 + 0.5 × 0 + 0.5 × 0)
=0

1
(m1 ⊕ m2 )({B}) = [m1 ({B}) m2 ({B, C}) + m1 ({B})m2 ({ A, B}) + m1 ({ A, B})m2 ({B})
1− Γ
+ m1 ({B, C}) m2 ({B}) + m1 ({B}) m2 ({ A, B, C}) + m1 ({ A, B, C})m2 ({B})
+ m1 ({ A, B})m2 ({B, C}) + m1 ({B, C})m2 ({ A, B})]
= 1× (0 × 0.4 + 0 + 0 × 0.6 + 0.5 × 0 + 0 + 0.5 × 0 + 0.5 × 0.4 + 0)
= 0 .2
 Primjer 3.

51/81
1
(m1 ⊕ m2 )({C}) = [m1 ({C}) m2 ({ A, C}) + m1 ({C}) m2 ({B, C}) + m1 ({ A, C}) m2 ({C})
1− Γ
+ m1 ({B, C}) m2 ({C}) + m1 ({C}) m2 ({ A, B, C}) + m1 ({ A, B, C}) m2 ({C})
+ m1 ({ A, C}) m2 ({B, C}) + m1 ({B, C}) m2 ({ A, C})]
= 1× (0 + 0 × 0.4 + 0 × 0.6 + 0 + 0 + 0.5 × 0 + 0.5 × 0.4 + 0)
=0

1
(m1 ⊕ m2 )({ A, B}) = [m1 ({ A, B}) m2 ({ A, B}) + m1 ({ A, B})m2 ({ A, B, C})
1− Γ
+ m1 ({ A, B, C}) m2 ({ A, B})]
= 1× (0.5 × 0 + 0.5 × 0.6 + 0.5 × 0)
= 0.3
 Primjer 3.
1
(m1 ⊕ m2 )({ A, C}) = [m1 ({ A, C}) m2 ({ A, C}) + m1 ({ A, C}) m2 ({ A, B, C})
1− Γ
+ m1 ({ A, B, C}) m2 ({ A, C})] 52/81

= 1× (0 + 0 × 0.6 + 0.5 × 0)
=0

1
(m1 ⊕ m2 )({B, C}) = [m1 ({B, C}) m2 ({B, C}) + m1 ({B, C}) m2 ({ A, B, C})
1− Γ
+ m1 ({ A, B, C}) m2 ({B, C})]
= 1 × ( 0 × 0. 4 + 0 × 0. 6 + 0. 5 × 0. 4)
= 0. 2

1
(m1 ⊕ m2 )({ A, B, C}) = [m1 ({ A, B, C}) m2 ({ A, B, C})]
1− Γ
= 1× (0.5 × 0.6)
= 0.3
Gradnja mape D-S teorijom
ƒ Treba napomenuti da tokom faze percepcije
sonarni senzori emitiraju
j ppakete impulsa
p sa 53/81
takvim razmacima da je interferencija
svedena na minimum.
ƒ Da bi se mogle uzeti u obzir osobine senzora
u modeliranju znanja o zauzeću ćelija koristi
se Dempster-Shaferova teorija uvjerenja.
ƒ Uvjerenje o zauzeću ćelija dobiva se
projekcijom odziva sonara u mrežu zauzeća
pomoću modela sonara
sonara.
ƒ Model sonara je funkcija ugla i područja
čit j sonara (sljedeća
čitanja ( lj d ć slika).
lik )
Gradnja mape D-S teorijom

Model sonara
Profil p
područja
j čitanja
j sonara
Oznakama I i II prikazana su 54/81
1 područja eventualno zauzetog,
odnosno, praznog prostora.

Rmin R-ε R R+ε

α
y Profil ugla 155

r
α R 1
β I x
II
ε
ε
-15
Gradnja mape D-S teorijom
ƒ Uvjerenja o zauzeću ćelija unutar ovih područja
su (Elfes, 1987): 55/81
ƒ a) Područje I, gdje je R-ε < r < R+ε:

2 2
⎛ β − α ⎞ ⎛ ε −| R − r |⎞
⎜⎜ ⎟⎟ + ⎜ ⎟
⎝ β ⎠ ⎝ ε ⎠
m(O ) = × MaxO
2

(E) = 0
m(E

m({E , O}) = 1 − m(O )

Gradnja mape D-S teorijom
ƒ b) Područje II, gdje je Rmin < r < R-ε:
56/81
m(O ) = 0
2
⎛ β −α ⎞ ⎛ R −ε − r ⎞
2

⎜⎜ ⎟⎟ + ⎜ ⎟
⎝ β ⎠ ⎝ R −ε ⎠
m( E ) =
2
m({E , O}) = 1 − m( E )
gdje su ((r,α)
,α) koordinate
oo d ate tač
tačkeeuunutar
uta konusa
o usa
sonara (pozicija i orijentacija), a ε označava
toleranciju
j za ppodručje
j zauzeća. Izbor p prikladnog
g
ε-a je bitan za pravilnu interpretaciju zauzeća
ćelija na temelju mjerenja sonara.
Primjer 4.
ƒ Pretpostavimo da se robot nalazi u elementu
mreže C15,9 i da je potrebno ispitati zauzeće 57/81
elementa C8,9 na slici.
Element mrežaste mape C8,9
nalazi
l i se u regionu
i II pa vrijedi:
II, ij di
R=6
I
β=15°
β=15 (O ) = 0
m(O

2 2
II r=3, α=0° ⎛ 15 − 0 ⎞ ⎛ 6 − 1 − 3 ⎞ 2
⎜ ⎟ +⎜ ⎟ 1+
15 ⎠ ⎝ 6 − 1 ⎠
m( E ) = ⎝ = 5 = 7
2 2 10

7 3
m({E , O}) = 1 − =
10 10

Prema tome preovladava uvjerenje

da je ćelija (8,9) prazna.
 Gradnja mape D-S teorijom
Fuzija senzorskih podataka
ƒ Dva su osnovna zadatka fuzije: j agregacija
g g j podataka
p 58/81
iz različitih izvora i osvježavanje mape.
ƒ Kod g gradnje j mapep p prvo se specificira
p kako obraditi
mjerenja senzora da bi se svakoj ćeliji pridružile
osnovne vrijednosti (BPA).
S ((rr )
ƒ Pridruživanje osnovnih vrijednosti mi , j ( E ) , miS, (j r ) (O )
S (r )
i mi , j ({O, E}) , koje odgovaraju mjerenju senzora
S(r) dobivenog na udaljenosti r, r obavlja se na temelju
jednadžbi sa slajdova 55 i 56.
ƒ Funkcije mi,j(E),(E) mi,j(O) i mi,j(E,O)
(E O) označavaju
uvjerenja da je ćelija i,j prazna, zauzeta i nepoznata.
ƒ Prema tome tome, stanje svake ćelije je opisano brojevima
koji izražavaju pridruživanje osnovne vjerojatnosti
svakoj oznaci u Ψ.
Gradnja mape D-S teorijom
Fuzija senzorskih podataka
ƒ Međutim ppoznato jje da za svaku ćeliju
j i,, j u mreži 59/81
vrijedi:

mi , j (φ ) = 0

∑m
A⊂Ψ
⊂Ψ
i, j ( A) = mi, j (φ ) + mi, j ( E ) + mi, j (O) + mi, j ({E , O}) = 1

ƒ Svaka ćelija u mapi se prvo inicijalizira sljedećim

vrijednostima:

mi, j ( E ) = mi, j (O) = 0, mi, j ({E , O}) = 1 (*****)

 Gradnja mape D-S teorijom
Fuzija senzorskih podataka
ƒ Dok se robot kreće,, vrši se skeniranje
j okoline i tako 60/81
dobiveni podaci se ubacuju u mapu.
ƒ Osvježavanje mape obavlja se na temelju osnovnih
vjerojatnosti pridruženih ćelijama ranije mape i
trenutnim mjerenjima senzora.
ƒ Ekplicitno, osvježene osnovne vjerojatnosti za svaku
ćeliju u mapi postaju:

t −1 mMt -1 ( E )mSt ( E ) + mMt −1 ( E ) mSt ({E , O}) + mMt −1 ({E , O}) mSt ( E )
m (E) = m
t
M M ⊕ m (E) =
t
S
1 − mMt −1 ( E )mSt (O ) − mMt −1 (O )mSt ( E )

t −1 mMt -1 (O )mSt (O ) + mMt −1 (O )mSt ({E , O}) + mMt −1 ({E , O}) mSt (O )
m (O ) = m
t
M M ⊕ m (O ) =
t
S
1 − mMt −1 ( E )mSt (O ) − mMt −1 (O )mSt ( E )
Gradnja mape D-S teorijom
Fuzija senzorskih podataka
ƒ U procesu fuzije mjerenja senzora se 61/81
kombiniraju sa ranijom mapom i na taj način
se dobiva nova mapa.
mapa
ƒ Mapa se na ovaj način osvježava tokom
kretanja mobilnog robota
robota.
ƒ Zbog potreba navigacije u realnom vremenu
mapa je
j llokalnog
k l kkaraktera
kt i iinformacije
f ij o
zauzeću ćelija pređene ravnine se ne pamte,
zbog
b računarske
č k uštede.
št d
ƒ Samo ćelije koje se nalaze u vidokrugu
sonara se pamte i osvježavaju.
Gradnja mape D-S teorijom
Fuzija senzorskih podataka
ƒ Prednost ovog pristupa je da eksplicitni prikaz 62/81
dvoznačnosti nije samo u mjerenjima senzora
mS((E,O),
, ), već i u p
pohranjenom
j uvjerenju
j j mM((E,O).
, )
ƒ Jedno mjerenje kruga sonara (šesnaest sonara),
obavi se u vremenskom intervalu trajanja
j j 0.6
sekunde.
ƒ Ova mjerenja su prikazana na slici podebljanim
linijama koje izlaze iz mobilnog robota.
ƒ Nakon svakog mjerenja mapa se osvježava
prikupljanjem novih podataka pribavljenih od
sonara i njihovim
j kombiniranjem
j sa ranijim
j
podacima u mapi.
Gradnja mape D-S teorijom
Fuzija senzorskih podataka
63/81
Primjer 5.
ƒ Da bi se bolje razumio primjer na sljedećoj slici
je prikazana platforma mobilnog robota sa 16 64/81
sonara raspoređenih u kružnom prstenu.
S0
lijevi kotač S1 S 15
desni kotač
S2 S 14

S3

D
S4 S 12

S5 S 11

S6 S 10

S7 S9
S8
Primjer 5.
ƒ Neka se robot u početnom trenutku nalazi u
ćelijij ((14,10),
, ), odnosno C14,10
14 10. 65/81
ƒ Prije početka kretanja sve ćelije imaju
osnovne vjerojatnosti (*****)
( ).
ƒ Nakon starta dobivena su mjerenja sonara S0
i S1 na udaljenostima r0 =7 i r1=5 pod
uglovima α0=0° i α1=3° (slika ispod) (Velagić,
2005; Velagić
Velagić, Lačević i Peruničić
Peruničić, 2006).
2006)
Primjer 5.
ƒ Neka se robot u početnom trenutku nalazi u ćeliji
(14,10), odnosno C14,10.
66/81
(0,0)

(15 21)
(15,21)
Primjer 5.
ƒ Uvjerenja da su ćelije (7,8) i (10,6) zauzete su:
2 2 67/81
⎛ 15 − 0 ⎞ ⎛ 1.5− | 8 − 7 | ⎞
⎜ ⎟ +⎜ ⎟
m7S,08( 7 ) (O ) = ⎝
15 ⎠ ⎝ 1.5 ⎠ ⋅ 0.98 = 0.54488
2

m7S,08( 7 ) ( E ) = 0

m7S,08( 7 ) ({E , O}) = 1 − m7S,08( 7 ) (O) = 0.45512

m6S,110(5) (O) = 0
2 2
⎛ 15 − 3 ⎞ ⎛ 8 − 1.5 − 5 ⎞
⎜ ⎟ +⎜ ⎟
15 ⎠ ⎝ 10 − 1.5 ⎠
m6S,110(5) ( E ) = ⎝ = 0.336
2

m6S,110(5) ({E , O}) = 1 − m10S1,(65) = 0.664

Primjer 5.
ƒ U sljedećem trenutku se robot pomjerio u pravcu
označenom isprekidanom linijom na slici 68/81
(0,0)

(15,21)
Primjer 5.
ƒ Uvjerenja da su ćelije (7,8), (6,10) i (5,14) zauzete na
temelju mjerenja sonara S0, S1 i S15 (r0 =6.5, r1=7,
69/81
r15=7.5, α0=2, α1=5 i α15=4) su:
2 2
⎛ 15 − 2 ⎞ ⎛ 1.5− | 8 − 6.5 | ⎞
⎜ ⎟ +⎜ ⎟
m7S,08( 6.5) (O) = ⎝ ⎠ ⎝ ⎠ ⋅ 0.98 = 0.36848
15 1 .5
2

m7S,08( 6.5) ( E ) = 0

m7S,08( 6.5) ({E , O}) = 1 − m7S,08( 6.5) (O) = 0.63152

2 2
⎛ 15 − 5 ⎞ ⎛ 1.5− | 8 − 7 | ⎞
⎜ ⎟ +⎜ ⎟
m6S,110( 7 ) (O) = ⎝
15 ⎠ ⎝ 1.5 ⎠ ⋅ 0.98 = 0.27244
2

m6S,110( 7 ) (E) = 0 m6S,110( 7 ) ({E , O}) = 1 − m6S,110( 7 ) = 0.72756

Primjer 5.
2 2
⎛ 15 − 4 ⎞ ⎛ 1.5− | 8 − 7.5 | ⎞
⎜ ⎟ +⎜ ⎟ 70/81
m5,14 (O) =
S15 ( 7.5 ) ⎝ 15 ⎠ ⎝ 1.5 ⎠ ⋅ 0.98 = 0.48118
2

m5S,1514( 7.5) ( E ) = 0

m5S,1514( 7.5) ({E , O}) = 1 − m5S,1514( 7.5) = 0.51882

 Primjer 5.
ƒ Kombiniranjem prethodnih i trenutnih mjerenja za
ćelije (7,8) i (6,10) pomoću Dempsterovih pravila 71/81
zaključivanja dobiva se:

t −1 0 ⋅ 0 + 0 ⋅ 0.63152 + 0.45512 ⋅ 0
m (E) = m
t
⊕ m (E) =
t
=0
1 − 0 ⋅ 0.36848 − 0.5488 ⋅ 0
7 ,8 7 ,8 7 ,8

0.5488 ⋅ 0.36848 + 0.5488 ⋅ 0.63152 + 0.45512 ⋅ 0.36848

m7t ,8 (O) = m7t −,81 ⊕ m7t .8 (O) = = 0.7151
1 − 0 ⋅ 0.36848 − 0.5488 ⋅ 0

m7t , 8 ({E, O}) = 1 − 0.7151 = 0.2849

 Primjer 5.
0 ⋅ 0 + 0 ⋅ 0.72756 + 0.664 ⋅ 0
m6t ,10 ( E ) = m6t −,101 ⊕ m6t ,10 ( E ) = =0
1 − 0 ⋅ 0.27244 − 0.336 ⋅ 0 72/81

0.336 ⋅ 0.27244 + 0.336 ⋅ 0.72756 + 0.664 ⋅ 0.27244

m6t ,10 (O) = m6t −,101 ⊕ m6t .10 (O) = = 0.5169
1 − 0 ⋅ 0.27244 − 0.336 ⋅ 0

m6t ,10 ({E , O}) = 1 − 0.5169 = 0.4831

m5t ,14 (O) = 0.48118

m5t ,14 ( E ) = 0

m5t ,14 ({E , O}) = 0.51882

Na temelju novog skeniranja povećalo se uvjerenje o zauzeću ćelija (7,8) i (6,10).

Ovaj proces se dalje nastavlja dok robot ne dođe do cilja.
Primjer 5.
ƒ Primjer mape zauzeća generirane Dempster-
Shafereovom teorije uvjerenja prikazan je na slici 73/81
(Murphy, 2000).
10.3. Topološke mape
ƒ Da bi se izbjegle poteškoće u održavanju velikih
metričkih mapa robotske okoline alternativno se 74/81
koriste prikazi okoline u obliku grafova.
ƒ Topološki
p prikaz okoline zaobilazi zahtjev
p j za
potencionalno velikim memorijskim prostorom
za pohranu podataka o elementima mape koji je
povezan sa metričkim mapama.
ƒ Topološke mape opisuju okolinu pomoću grafa
koji spaja specifične lokacije u stvarnom svijetu
(geometrijske značajke prostora).
ƒ Graf se sastoji od vrhova (čvorovi) i ivica (linija)
koje povezuju vrhove. Također se može grafu
pridružiti još jedan parametar koji izražava
težinu odgovarajuće ivice.
Topološke mape
ƒ Primjeri različitih grafova
75/81

ƒ Mapa robotske okoline predstavljena grafom

može
ž se opisati
i ti skupom
k N čvorova
č V i M linija
li ij
povezivanja E:

G = (V , E )
Topološke mape
ƒ Čvorovi grafa i linije povezivanja su definirani na
sljedeći način: 76/81
V = (v1 , v2 ,..., v N )

E = (e1 , e2 ,..., eM )

ƒ gdje su linije povezivanja dane sa:

e = ( vi , v j )

ƒ Skupovi V i E za graf sa prve slike na

prethodnom slajdu su:

V = ( A, B, C , D, E )
E = ( AB, AD, AE , BC , BD, CD, DE )
 Topološke mape
ƒ U robotskoj okolini čvorovima se označavaju
uočljive
j situacije,
j , mjesta
j ili orijentiri
j ((kao što 77/81
su otvori u zidu, prolazi, čoškovi prostorija,
itd.).
)
ƒ Ovi čvorovi se povezuju linijama ako postoji
direktna staza između njih. njih
ƒ U praksi se topološki prikazi koriste za
kontinuirane okoline zasnovane na
orijentirima ili drugim značajkama.
ƒ Rezultati
R lt ti ekstrakcije
k t k ij topološke
t l šk mape (grafa) ( f )
iz mrežaste mape sa slike na slajdu 63.
prikazani
ik i su na sljedećoj
lj d ć j slici.
li i
Topološke mape
ƒ Topološki graf
78/81
Topološke mape
ƒ Na sljedećoj slici prikazana je metrička mapa
prikaza jednog kata zgrade.
79/81
ƒ Prostorije su označene oznakom R, a hodnici sa H.
Prikaz istog kata zgrade pomoću grafa, odnosno
t
topološke
l šk mape predočen
d č j slikom
je lik na sljedećem
lj d ć
slajdu.
Topološke mape
ƒ Topološki prikaz kata zgrade sa prethodnog slajda
80/81
Topološke mape
ƒ Na temelju topoloških grafova razvijene su
brojne
j metode p planiranja
j kretanja,
j , kao što su 81/81
grafovi vidljivih vrhova i Voronoijevi
grafovi,, kojij će se detaljno
g j razmatrati u
jednom od sljedećih predavanja.
ƒ Također je važan i problem kretanja po
topološkim mapama i pronalaženje
optimalnih puteva kroz topološke grafove.
grafove
ƒ Za ove potrebe se najviše koriste Dijsktra,
Bellman Ford i Bug algoritmi,
Bellman-Ford algoritmi koji će se
također razmatrati u jednom od sljedećih
predavanja.
predavanja