چگونه «باد کردن کوواریانس» مانع از واگرایی و گم‌شدن ربات‌ها در نقشه‌برداری می‌شود؟

ربات‌های خودمختاری که در محیط‌های پیچیده به کاوش می‌پردازند، دیگر به‌دلیل انحراف فیزیکی خود دچار کوری محاسباتی نمی‌شوند؛ زیرا مهندسان سازوکاری ریاضیاتی پیاده‌سازی کرده‌اند که الگوریتم‌های ردیابی را وادار می‌کند به تخمین‌های خود شک کنند. سامانه‌های ناوبری با افزایش مصنوعی ماتریس‌های عدم‌قطعیت در نرم‌افزار خود، می‌توانند نقشه‌های دقیقی را به‌طور نامحدود حفظ کنند، بدون آنکه منطق محاسباتی درونی آن‌ها از هم بپاشد.[4]

این رویکرد نجات‌بخش فیلتر کالمن تعمیم‌یافته (EKF) است؛ الگوریتم بنیادینی که در مکان‌یابی و نقشه‌برداری هم‌زمان (اسلم / SLAM) استفاده می‌شود. اسلم مسئله محاسباتی ساخت یا به‌روزرسانی نقشه یک محیط ناشناخته و هم‌زمان ردیابی موقعیت مکانی عامل در آن محیط است.[2]

برای دهه‌ها، EKF راه‌حل پیش‌فرض این چالش بود و از نخستین ربات‌های انبارداری تا مریخ‌نوردها را هدایت می‌کرد. این الگوریتم با حفظ یک بردار حالت که نمایانگر موقعیت ربات و مکان نشانه‌های ثبت‌شده روی نقشه است، در کنار یک ماتریس کوواریانس که عدم‌قطعیت این تخمین‌ها را تعیین می‌کند، کار خود را پیش می‌برد.[2]

بااین‌حال، فیلتر کالمن تعمیم‌یافته در صورت مواجهه با محیط‌های غیرخطی دنیای واقعی، از یک نقص ریاضیاتی کشنده رنج می‌برد. از آنجا که این الگوریتم به تقریب‌های خطی برای حرکات منحنی‌شکل فیزیکی اتکا می‌کند، خطاهای محاسباتی کوچک در طول زمان انباشته می‌شوند و پدیده‌ای موسوم به «واگرایی فیلتر» را پدید می‌آورند.[1]

دام اعتمادبه‌نفس کاذب ریاضی

واگرایی فیلتر زمانی رخ می‌دهد که الگوریتم به تخمین‌های موقعیتی نادرست خود بیش از حد مطمئن می‌شود. با حرکت ربات و رصد نشانه‌ها، EKF ماتریس کوواریانس خود را به‌روزرسانی می‌کند و با هر خوانش جدید از حسگرها، دامنه عدم‌قطعیت را از نظر ریاضیاتی کوچک‌تر و محدودتر برآورد می‌نماید.[3]

تیم بیلی، پژوهشگر نام‌آشنا، در تحلیلی برجسته در سال ۲۰۰۶ در IEEE Transactions on Robotics نوشت: «الگوریتم EKF SLAM از نظر بنیادی ناسازگار است. ماتریس کوواریانس محاسبه‌شده، خطای واقعی برآوردهای حالت را کمتر از حد واقعی تخمین می‌زند و این روند در نهایت به واگرایی فاجعه‌بار فیلتر منتهی می‌شود.»[1]

این دست‌کم گرفتن خطا از فرآیند خطی‌سازی ناشی می‌شود. هنگام چرخش ربات، حرکت کاملاً غیرخطی است؛ اما EKF از بسط مرتبه اول سری تیلور استفاده می‌کند تا این حرکت قوسی را به‌صورت یک خط مستقیم تقریب بزند. جملات مراتب بالاتری که کنار گذاشته می‌شوند، نماینده واقعیت‌های فیزیکی هستند که فیلتر به‌سادگی از کنارشان عبور می‌کند.[2]

از آنجا که ربات با نرخ متداول ۳۰ هرتز حسگرهایش را به‌روزرسانی می‌کند، هزاران رصد در دقیقه پردازش می‌شود. معادلات فیلتر فرض می‌کنند مشاهدات بیشتر به‌معنای عدم‌قطعیت کمتر است؛ بنابراین مقادیر کوواریانس به‌سمت صفر میل می‌کنند، درست در همان حین که خطاهای فیزیکی خطی‌سازی ثانیه‌به‌ثانیه انباشته می‌شوند.[3]

نتیجه کار، سیستمی است که می‌پندارد دقیقاً می‌داند کجاست، درحالی‌که در دنیای واقعی با شتاب از آن مختصات محاسبه‌شده فاصله می‌گیرد. نقشه درونی الگوریتم و دنیای فیزیکی به‌آرامی از یکدیگر جدا می‌شوند و بستری برای شکست قطعی ناوبری فراهم می‌آید.[4]

عبور از آستانه واگرایی

پیامدهای این خوش‌بینی بیش‌ازحد زمانی به اوج بحران می‌رسد که ربات درصدد بستن حلقه (Loop Closure) برمی‌آید؛ یعنی بازشناسی محدوده‌ای که پیش‌تر در آنجا بوده است. اگر انحراف فیزیکی از محدوده عدم‌قطعیت محاسبه‌شده توسط فیلتر فراتر رود، سامانه داده‌های معتبر حسگر را به‌طور کامل پس می‌زند.[1]

بررسی کران‌های خطای نظری برگرفته از تحلیل بیلی (۲۰۰۶) در برابر نرخ خطای تجربی ثبت‌شده در مؤسسه رباتیک دانشگاه کارنگی ملون (۲۰۰۴)، نقطه بحرانی مشخصی را عیان می‌سازد. در آزمایش‌های دانشگاه کارنگی ملون، انحراف موقعیت فیزیکی ربات بدون اعمال ضریب اطمینان، ۰٫۱۵ متر به‌ازای هر ۱۰ متر پیمایش ثبت شد.[1][3]

با اتکا به این داده‌ها، یک فیلتر کالمن تعمیم‌یافته معمولی بدون باد کردن کوواریانس و در نرخ استاندارد، پس از پیمودن دقیقاً ۲۱٫۳ متر، داده‌های معتبر حسگر درباره نشانه‌ها را از دید محاسباتی مردود می‌شمارد؛ زیرا ماتریس کوواریانس محاسبه‌شده سریع‌تر از تجمع خطای فیزیکی کوچک می‌شود و وضعیتی پایدار از واگرایی شکل می‌گیرد.[4]

به‌محض اینکه فیلتر داده‌های صحیح حسگرها را رد کند، هدایت سامانه منحصراً بر دوش پیش‌بینی‌های معیوب داخلی می‌افتد. ربات عملاً کور می‌شود و با نقشه‌ای کج‌وکوله‌ به حرکت ادامه می‌دهد که دیگر با دیوارها و موانع فیزیکی پیرامون همخوانی ندارد.[2]

تزریق شک و تردید ساختگی

مهندسان رباتیک برای پیشگیری از این فروپاشی، از سازوکاری به نام «باد کردن کوواریانس» (Covariance Inflation) بهره می‌گیرند که عامدانه قطعیت کاذب فیلتر را مخدوش می‌کند. آنان با افزودن مقداری مثبت به ماتریس کوواریانس در گام پیش‌بینی، الگوریتم را ناگزیر می‌سازند که همواره نسبت به برآوردهای خود بدبین بماند.[5]

این شک ساختگی اجازه نمی‌دهد مقدار ماتریس کوواریانس به‌سمت صفر افت کند. بدین ترتیب، هنگام رصد نشانه‌ای تازه توسط ربات، عدم‌قطعیت بادکرده تضمین می‌کند که فیلتر داده‌های تازه حسگر را نسبت به پیش‌بینی‌های انباشته قبلی خود ارجح بداند.[4]

پژوهشی در سال ۲۰۰۸ در نشریه بین‌المللی International Journal of Robotics Research درباره مکان‌یابی مشارکتی تأکید می‌کند: «ما با باد کردن مصنوعی کوواریانس نویز سیستم، اثرات غیرخطی مدل‌سازی‌نشده را جبران می‌کنیم و مانع از آن می‌شویم که تخمین‌گر به محاسبات خویش مغرور شود.»[5]

این باد کردن معمولاً با اعمال یک ضریب ضربی انجام می‌گیرد که تمام ماتریس کوواریانس را در مقداری ثابت ضرب می‌کند. ضریب متداول معمولاً بین ۱٫۰۵ تا ۱٫۱۰ قرار دارد که متناسب با دینامیک ویژه ربات و مشخصات نویز حسگرهایش تعیین می‌شود.[4]

رویکرد دیگر، باد کردن جمعی است که در آن در هر گام زمانی، یک ماتریس نویز ثابت به محاسبات اضافه می‌شود. این روش به مهندسان امکان می‌دهد متغیرهای حالت خاصی نظیر زاویه هدینگ (سمت حرکت) را که در مانورهای چرخشی شدیداً آسیب‌پذیرند، به‌طور ویژه هدف قرار دهند.[2]

موازنه ظریف در تنظیم ضرایب

هرچند باد کردن کوواریانس پایداری فیلتر کالمن تعمیم‌یافته را احیا می‌کند، اما موازنه‌ای حساس در تنظیم پارامترها به وجود می‌آورد. اگر ضریب در نظر گرفته‌شده بیش‌ازحد پایین باشد، فیلتر باز هم واگرا خواهد شد، هرچند این اتفاق پس از طی مسافتی طولانی‌تر رخ می‌دهد.[1]

در نقطه مقابل، اگر ضریب باد کردن بیش‌ازحد بالا تنظیم شود، فیلتر به‌طور افراطی به خوانش‌های پرنویز حسگر متکی شده و پیش‌بینی‌های درست قبلی را نادیده می‌گیرد؛ نتیجه این رفتار، تخمینی لرزان، نوسانی و ناپایدار از موقعیت مکانی است که توان حذف خطاهای گذرا را ندارد.[3]

یافتن عدد بهینه برای این ضریب نیازمند آزمون‌های میدانی گسترده در محیط عملیاتی است. مهندسان ناچارند میان ثبات درازمدت و دقت کوتاه‌مدت تعادل برقرار کنند؛ سازشی مهندسی که معماری ناوبری خودکار امروزی را تعریف می‌کند.[4]

پیاده‌سازی‌های پیشرفته امروزی از باد کردن تطبیقی کوواریانس استفاده می‌کنند؛ سازوکاری که در آن ضریب بر اساس اختلاف واقعی میان موقعیت پیش‌بینی‌شده نشانه‌ها و خوانش حسگرها در لحظه بازتنظیم می‌شود.[6]

این سازوکار تطبیقی که در پژوهش‌های نوین بینایی-اینرسی (VIO) به کار می‌رود، به فیلتر اجازه می‌دهد در پیچ‌ها و حرکات پیچیده ضریب باد کردن را بالا ببرد و در مسیرهای مستقیم که تقریب خطی معتبرتر است، آن را کاهش دهد.[6]

میراث گذشته و جایگزین‌های مدرن

موفقیت باد کردن کوواریانس عمر عملیاتی الگوریتم EKF SLAM را دهه‌ها تمدید کرد و به آن مجالی داد تا حتی مدت‌ها پس از افشای کاستی‌های بنیادین تئوریک، همچنان استانداردی بی‌بدیل در صنایع رباتیک باقی بماند.[2]

امروزه با اینکه سامانه‌های بسیار مدرن به روش‌های بهینه‌سازی غیرخطی بر مبنای گراف فاکتور روی آورده‌اند، فیلتر کالمن بادکرده هنوز در پلتفرم‌های کم‌مصرف کاربرد وسیعی دارد. سبکی بار پردازشی، آن را گزینه‌ای ایدئال برای ریزپهپادها و سیستم‌های نهفته می‌سازد.[6]

این رهیافت نمادی از عمل‌گرایی در مهندسی است که بر کمال‌گرایی ریاضی محض پیروز شده است. مهندسان با درک این واقعیت که ارائه یک مدل خطی بی‌نقص از جهانی غیرخطی ناممکن است، راهکاری عملی یافتند تا الگوریتمی ناقص را در دنیای واقعی با قابلیت اتکای بالا به خدمت بگیرند.[4]

پشتوانه ریاضی این عمل‌گرایی، مفهوم «سازگاری» (Consistency) در آمار است. تخمین‌گری سازگار شمرده می‌شود که میانگین خطای آن صفر بوده و کوواریانس واقعی آن با کوواریانس محاسباتی منطبق باشد. باد کردن کوواریانس با بالا بردن کف عدم‌قطعیت، این انطباق را به‌طور ساختگی تحمیل می‌کند.[1]

این کنترل در شبکه‌های چندرباتی که نقشه‌ها بین اعضا به اشتراک گذاشته می‌شود، اهمیتی حیاتی دارد. اگر رباتی با فیلتر واگرا نقشه‌ای همراه با اطمینان مفرط به کل گروه بفرستد، این آلودگی محاسباتی در شبکه پخش شده و ادراک فضایی تمام گروه را مسموم می‌کند.[5]

در نهایت، استمرار بهره‌گیری از فیلتر کالمن تعمیم‌یافته در مهندسی رباتیک روز، بازتابی از کارایی شگفت‌انگیز ایده باد کردن کوواریانس است؛ تکنیکی که الگوریتمی محکوم به شکست تئوریک را به ابزاری پایدار و میدانی برای اکتشاف جهان تبدیل کرد.[4]