.png)
בין השטיח לאלגוריתם: איך שואב אבק רובוטי באמת רואה את הבית שלכם?
אמנות הניווט האוטונומי בסלון הביתי וכיצד שואבי אבק רובוטיים מתמצאים במרחב. בעשור הראשון של המאה ה-21, צפייה בשואב אבק רובוטי הייתה חוויה מתסכלת למדי. הרובוטים של אותה תקופה נעו במרחב בצורה אקראית לחלוטין. הם התקדמו בקו ישר עד שנתקלו פיזית בקיר או ברגל של שולחן, סגרו מגע בחיישן הפגוש, ופנו בזווית מקרית כלשהי כדי להמשיך לנקודה הבאה. הגישה הזו, שמבוססת על התנהגות רפלקסיבית פשוטה, דרשה מהרובוט לעבור באותו מקום עשרות פעמים כדי להגיע לכיסוי סטטיסטי סביר של החדר, משאירה אחריה שטחים שלמים ללא ניקוי ומבזבזת אנרגיה רבה. כיום, החלק הפנימי של מערכת הניווט ברובוט ביתי מודרני מזכיר באופן מובהק את מבנה התוכנה והחומרה של רכב אוטונומי מתקדם. המעבר מניווט אקראי לניווט אוטונומי חכם הפך את השואב הרובוטי ממכשיר חשמלי פשוט למערכת ניידת עצמאית שמסוגלת לקלוט מידע מהסביבה, לבנות מפה דינמית, להעריך את מיקומה בדיוק של מילימטרים, לתכנן מסלול מיטבי ולזהות מכשולים מורכבים בזמן אמת. הטקסט הבא יסקור את ההישג ההנדסי הזה שכבה אחר שכבה.
בעיית ה-SLAM מאתגרת את מתכנני המערכת באופן תמידי. תארו לעצמכם כניסה בעיניים קשורות לתוך חדר גדול, לא מוכר ושרוי בחושך מוחלט. אתם מקבלים דף נייר ועקרון אחד מחייב אתכם לצייר מפה מדויקת של החדר תוך כדי סיור בו. אתם מתחילים לצעוד צעד אחר צעד ומנסים לספור בלב כמה צעדים עשיתם כדי לדעת היכן אתם נמצאים. במקביל, בכל פעם שאתם נוגעים בקיר או ברהיט, אתם מסמנים זאת על הדף. כאן מתחילה הבעיה הפרדוקסלית. כדי לצייר מפה מדויקת, עליכם לדעת בדיוק היכן אתם נמצאים בחדר בכל רגע, אך כדי לדעת היכן אתם נמצאים עליכם להחזיק מפה מוכנה של החדר כדי להשוות אליה. על הרובוט לפתור את בעיית הביצה והתרנגולת הזו בו זמנית, הוא צריך לבנות מפה של סביבה לא מוכרת ובאותו הזמן להשתמש במפה הזו כדי להבין היכן הוא נמצא.
מתמטית, חוקרים מגדירים את הבעיה כהערכת מצב הסתברותית. המטרה היא למצוא את המסלול של הרובוט שמסומן באות x ואת מפת הסביבה m בהינתן אוסף התצפיות z ופקודות ההיגוי u. בניסוח בייסיאני, חוקרים מחפשים את ההתפלגות המשותפת האחורית P(x, m | z, u). התהליך כולל שני שלבים מחזוריים עיקריים. בשלב הפרופגציה המערכת משתמשת במודל הקינמטי של הרובוט ובנתוני האודומטריה כדי לנבא את המצב הבא, שלב שמאופיין ברעש גאוסיאני מצטבר שמגדיל את האנטרופיה. לאחר מכן מגיע שלב עדכון המדידה, בו המערכת מתקנת את הניבוי באמצעות השוואת תצפיות החיישנים למפה הקיימת, פעולה שמקטינה את חוסר הוודאות ומעדכנת את המפה.
התעשייה פיתחה מספר גישות אלגוריתמיות להתמודד עם האתגר. EKF-SLAM מהווה את הגישה הקלאסית שבה אלגוריתם מייצג את המיקום וציוני הדרך במפה כווקטור מצב גאוסיאני יחיד עם מטריצת קווריאנס. הקושי המרכזי ביישום גישה זו נובע מסיבוכיות חישובית ריבועית, בעיה שמקשה על עבודה בסביבות ביתיות גדולות. גישה אחרת מתבססת על אלגוריתם FastSLAM שמייצג את ההתפלגות באמצעות סט חלקיקים עצמאיים ומעריך את המסלול בנפרד עבור כל חלקיק בעזרת מסנני קלמן, שיטה שמורידה את עומס החישוב. רוב המערכות המתקדמות כיום זנחו את הפילטרים הרקורסיביים ועברו להשתמש באופטימיזציית גרף. בשיטה זו המערכת מייצגת את עמדות הרובוט וציוני הדרך כצמתים ואת המדידות ביניהם כקשתות. ספריות קוד מתקדמות פותרות את הבעיה באופן לא ליניארי ומוצאות את תצורת המצב המיטבית. רכיב חשוב במיוחד במבנה זה עוסק בזיהוי סגירת מעגל. כאשר הרובוט חוזר למקום שבו ביקר בעבר, המערכת מזהה זאת, יוצרת קשר חדש בגרף ומפעילה אופטימיזציה כוללת שמפזרת את שגיאת הסחף המצטברת ומיישרת את המפה באופן מיידי.
כדי לאסוף נתונים מהעולם הפיזי, הרובוט נשען על מערכות חישה מתקדמות, כאשר התעשייה משתמשת בשתי גישות מובילות שדומות לחושים בעולם הטבע. מערכות LiDAR פועלות בדומה לאיכון קולי אצל עטלפים. הרובוט משדר קרני לייזר בלתי נראות שמסתובבות לכל עבר. הקרן פוגעת באובייקט וחוזרת לרובוט, בעוד שהמערכת מודדת את זמן המעוף ומחשבת את המרחק המדויק ליצירת ענן נקודות סביב המכשיר. במקביל, מערכות vSLAM פועלות בדומה לראייה אנושית. המצלמה סורקת את החדר ומחפשת נקודות עניין ייחודיות כמו זווית של ארון או משקוף דלת. המערכת עוקבת אחר התנועה של הנקודות הללו בין תמונות הווידאו ומבינה בדיוק כיצד הרובוט זז במרחב ביחס אליהן.
חיישני לייזר מודרניים פולטים פולס אינפרא אדום וקולטים אותו חזרה במקצב מהיר במיוחד שמגיע לאלפי דגימות בשנייה. המערכת מחשבת את המרחק כחצי ממכפלת מהירות האור בהפרש זמני הדגימה. מהנדסים מתמודדים עם אתגרים פיזיקליים כמו השתקפויות ממשטחי זכוכית שיוצרות אשליה של חורים במפה. התעשייה פותרת זאת על ידי זיהוי דפוסי דעיכת אות וסינון רעשים ברמת החומרה יחד עם מודלים הסתברותיים שמתעלמים ממדידות קיצוניות. כדי לחבר שתי סריקות לייזר עוקבות, המערכת מפעילה אלגוריתם התאמה איטרטיבי שמוצא את הטרנספורמציה הגיאומטרית המדויקת שמצמצמת למינימום את המרחק הריבועי בין נקודות המקור ליעד. בגישה הוויזואלית, צינור העיבוד מזהה פינות בולטות בפריים ומייצר עבורן ייצוג מתמטי עמיד לסיבובים. מאחר שמרחבים ביתיים משתנים ללא הרף עם תנועת אנשים ושינויי תאורה, אלגוריתמי עזר מסננים את התנועות הדינמיות ומשאירים רק את רכיבי החדר הסטטיים כעוגנים למודל. חוסר היכולת של מצלמה בודדת לאמוד קנה מידה הוביל יצרנים לשלב מערך של שתי מצלמות או להוסיף רכיבי מדידת תאוצה, שילוב שמעניק למערכת הבנת עומק מרחבית אמינה.
הליכה בקו ישר בעיניים עצומות תוביל במהרה לסטייה מהנתיב, מצב שקורה גם לרובוט שמסתמך אך ורק על מדידת סיבובי הגלגלים. תנועה על רצפה חלקה או על שטיח גורמת לגלגלים להחליק במקום, והרובוט עשוי לתעד תנועה קדימה בעודו נשאר באותה הנקודה. הדרך למנוע שגיאה זו דורשת לשלב נתונים משלל חיישנים במקביל באמצעות הליך מורכב של התכת חיישנים. הרובוט מצליב את נתוני סיבוב הגלגלים עם מד תאוצה, ג'ירוסקופ פנימי ומידע מהלייזר. כשחיישן התנועה מדווח על תנועה אך מדידת הלייזר מראה שהמרחק אל הקיר נשאר זהה, המערכת מבינה שמתרחשת החלקה ומתקנת מיד את מסלול הרובוט.
הסתמכות בלעדית על נתוני תנועה יוצרת סחף מצטבר שגדל בצורה מעריכית לאורך זמן עקב רעש לבן והטיות מובנות. הפתרון ההנדסי פועל באמצעות מסנן סטטיסטי מתקדם. המסנן משלב בין נתונים פנימיים בתדר גבוה שסובלים מהחלקות מכניות, לבין נתונים חיצוניים מהלייזר שמספקים מדידה מוחלטת שאינה צוברת שגיאה. פילטרים אלו נמנעים מליניאריזציה פשוטה שיוצרת טעויות, ותחת זאת בוחרים קבוצה קטנה ומחושבת של נקודות דגימה סביב ממוצע המצב הנוכחי. המעבד מעביר את הנקודות הללו במשוואות הפנימיות של המערכת ומחשב עמדה חדשה ונקייה משגיאות. ברגע שהרובוט מחליק, האלגוריתם מחשב רווח מתמטי שנותן משקל אפסי לנתוני הגלגלים הרועשים ומשקל מוחלט למדידת הלייזר, פעולה שמושכת את הערכת המיקום חזרה אל המציאות ומאפסת את הסחף כליל.
בעבר, אפילו שואבים יוקרתיים התקשו מול מכשולים קטנים כמו כבלי חשמל או צעצועים, שכן חיישן הלייזר העליון פשוט דילג עליהם. הרובוט היה מתנגש בהם, נתקע במקום או גורר אותם ברחבי הבית. הדור הנוכחי של שואבים אוטונומיים מכיל יכולות בינה מלאכותית שפועלות ישירות במערכת המקומית. המערכת נעזרת במצלמות עומק בחזית כדי להריץ רשתות נוירונים מתקדמות שסורקות את השטח באופן קבוע. מתכנתים מאמנים את המודל מראש בעזרת מיליוני תמונות של חפצי בית נפוצים. התוצאה מספקת לרובוט יכולת ללמוד לזהות בשבריר שנייה סוגים שונים של חפצים הפזורים על הרצפה, ולחשב תמרון עקיפה כדי לעבור סביבם בבטחה וללא מגע.
פיתוח טכנולוגיה זו בתוך רובוט שפועל על סוללה מציב אתגר אנרגטי אדיר, שכן מערכת כזו מתקשה להריץ מודלים כבדים. הפתרון בתעשייה מתבסס על מבנים יעילים של רשתות קונבולוציה שמקצצים דרסטית את מספר הפרמטרים מבלי לפגוע באיכות הזיהוי. שבבי הרובוט משלבים מאיצי חומרה ייעודיים לעיבוד רשתי, והמתכנתים ממירים את משקלי המודל למספרים שלמים בעלי רמת דיוק נמוכה יותר בתהליך קוונטיזציה קפדני. ההמרה מאיצה את זמן החישוב לרמת מילישניות בודדות וחוסכת אנרגיה רבה. חברות טכנולוגיה מדייקות את המערכת בעזרת אימון על מאגרי תמונות שצולמו מגובה הרצפה, כולל סינון ייעודי למניעת זיהויי שווא. לאחר שהרשת מזהה את החפצים, המערכת ממקמת אותם מיד בתוך מפת הסביבה המקומית כדי לייצר מסלול נסיעה בטוח.
לאחר סיום המיפוי וזיהוי המכשולים, הרובוט עובר לשלב התכנון המרחבי במטרה לנקות את הבית באופן היעיל ביותר. מערכת הניווט מפצלת את העבודה לשני מתכננים נפרדים. המתכנן האסטרטגי סורק את מפת הבית הכללית ומחלק את המרחב לאזורי עבודה ברורים. הוא מחשב את הנתיב הכללי שמתחיל בניקוי השוליים סביב הקירות ולאחר מכן ממלא את החלל בתנועות ישרות ומקבילות שמזכירות חרישת שדה. במקביל אליו פועל המתכנן הטקטי שמנהל את הנהיגה בפועל לטווח הקצר. אם תנאי השטח משתנים לפתע ומשתמש מניח כיסא במסלול הניקוי, המתכנן הטקטי מזהה את השינוי בסביבה המיידית, יוצר תמרון עקיפה נקודתי ומיד לאחר מכן מחזיר את הרובוט בדיוק אל המסלול המקורי.
תשתיות התוכנה של הרובוט פותרות את בעיית הכיסוי בעזרת אלגוריתמים שחותכים את החללים המורכבים לתתי אזורים קמורים ופשוטים. המערכת מייצרת נתיב מסודר ומקביל עבור כל אזור, ונעזרת באלגוריתמי חיפוש מהירים שפותרים את מעבר הסוכן בין האזורים השונים. המתכנן המקומי פועל במקביל בתדר גבוה ומשדר פקודות היגוי של מהירות קווית וזוויתית ישירות לבקרי המנועים. התהליך נשען על מפות עלות שמעניקות לכל משבצת ציון רמת סיכון דינמי. מכשול פיזי מקבל משקל החלטי שחוסם גישה, סביבו המערכת מגדירה את רדיוס ההגנה של גוף הרובוט, ואזור מרוחק מעט יותר מייצר כוח דחייה וירטואלי שגורם לשואב לשמור מרחק סביר מהקיר. אלגוריתמים מקומיים מעריכים את כל המהירויות האפשריות תחת אילוצי הבלימה וההאצה של השילדה ומייצרים מסלול עקיפה רציף ששומר את הרובוט בתנועה בטוחה.
בעבר מהנדסים נאלצו להסכים לפשרות משמעותיות, כמו שילוב מגדל לייזר עליון שמנע גישה מתחת לרהיטים, או ויתור על יכולת טיפוס מעל ספי דלת. הדורות החדשים משנים את כללי המשחק לחלוטין. יצרניות משלבות חיישנים נסתרים בשילדת השואב כדי ליצור פרופיל דק במיוחד, מפתחות מערכות הנעה שיכולות לדלג מעל מכשולים עבים ואפילו לשלב תנועה מרובת רגליים לעליית מדרגות. מוח הבינה המלאכותית התקדם מזיהוי פריטים פשוט להבנה עמוקה של החדר, יכולת נרחבת שמאפשרת לשואב לתקשר עם משתמשים בשפה מדוברת ולבצע פעולות ללא מאמץ ידני מצד הלקוח.
חזית הטכנולוגיה עוברת לחיישני לייזר במצב מוצק המציעים זווית ראייה רחבה, שיצרנים מטמיעים ישירות בשילדה ומייתרים בכך את הראש המסתובב המסורתי. חיישנים אלו משדרים רבבות נקודות דגימה בשנייה כדי לבנות רשת תלת ממדית מקיפה תוך שמירה על גובה נמוך. דגמים מובילים בשוק מציגים יכולות מכטרוניות דינמיות שפורסות את החיישנים רק בעת הצורך ומשפרות את עבירות המכשיר. במקביל, מודלים של בינה מלאכותית מולטי מודלית בונים עבור הרובוט מרחב עבודה רווי משמעות סמנטית שבו המערכת מבדילה בקלות בין שולחן עבודה לשולחן אוכל. הבנה מתקדמת זו, יחד עם פיתוחי מגע אלקטרוניים שמודדים את התנגדות הקרקע, הופכת את השואב ממכשיר ניקוי עיוור לרובוט שירות אוטונומי וחכם. הישגים טכנולוגיים אלו, שמשלבים אלגוריתמיקה מתמטית מדויקת על חומרה חסכונית, מהווים אבן דרך מרכזית במסע לעבר פיתוח רובוטים הומנואידים ומערכות סיוע מורכבות בעתיד.
איך זה קשור אלינו במתמטיקאי מחקר ופיתוח בע"מ? התמצאות במרחב באופן אוטונומי היא מיומנות רובוטית חשובה. אנחנו מקימים בימים האלה ארגון שנותן מענה הוליסטי מבוסס רחפנים מאיסוף הנתונים השיטתי ועד לתובנות ולפתרונות ולתוצרים עבור לקוחות מענפי התכנון, הבנייה, האכיפה, החקלאות והתשתיות.
אם אתם זקוקים לשותף טכנולוגי עתיר ניסיון שיודע לספק שירותי מחקר ופיתוח Hands-on, מארגוני אנטרפרייז ועד סטארט-אפים, ממשרדי תכנון ועד למפעלי אנרגיה, על מנת להוציא חזון אלגוריתמי שלכם מהכוח אל הפועל? הבה נדבר!
כמובן, אנחנו כתמיד ממשיכים לספק שירותי מחקר אלגוריתמי יישומי ונותנים פתרונות ב-"קימונו פתוח" ומקדמים עצמאות הלקוחות שלנו ואי-תלות בנו.
שלמה יונה,
מייסד ומדען ראשי,
מתמטיקאי מחקר ופיתוח בע"מ
053-7326360
פודקאסט על החברה ועליי, שלמה יונה, ואופן העבודה שלנו ואיתנו:
Comments