چارچوبی برای موقعیت‌یابی مشارکتی ربات و تلفن هوشمند مبتنی بر ارتباطات نور مرئی

فهرست مطالب

1. مرور کلی

این مقاله به چالش موقعیت‌یابی در محیط‌های داخلی می‌پردازد که در آن فناوری‌های سنتی مانند GPS به دلیل مسدود شدن سیگنال با شکست مواجه می‌شوند. این مقاله یک چارچوب موقعیت‌یابی مشارکتی را با بهره‌گیری از ارتباطات نور مرئی (VLC) پیشنهاد می‌کند. سیستم از چراغ‌های LED مدوله شده با کلیدزنی روشن/خاموش (OOK) برای ارسال شناسه (ID) و داده‌های موقعیت استفاده می‌کند. دوربین CMOS یک تلفن هوشمند، با استفاده از اثر شاتر رولینگ، این سیگنال‌های نوری را به صورت نوارهایی ثبت می‌کند که ارتباط نوری-دوربینی (OCC) با سرعت بالا را ممکن می‌سازد. با رمزگشایی این نوارها، دستگاه یک شناسه یکتا (UID) را که به یک موقعیت فیزیکی از پیش نقشه‌برداری شده پیوند خورده است، بازیابی کرده و در نتیجه موقعیت خود را تعیین می‌کند. این چارچوب برای سناریوهایی طراحی شده است که نیازمند همکاری انسان و ربات هستند، مانند انبارها و خدمات تجاری، که در آن آگاهی مشترک و بلادرنگ از موقعیت حیاتی است.

2. نوآوری

نوآوری اصلی در طراحی یک سیستم یکپارچه مبتنی بر VLC برای موقعیت‌یابی مشارکتی بین تلفن‌های هوشمند و ربات‌ها نهفته است. دستاوردهای کلیدی شامل موارد زیر است:

1. طراحی VLP چند-طرحه: سیستم چندین طرح موقعیت‌یابی نور مرئی (VLP) را برای مدیریت وضعیت‌های مختلف کج شدن تلفن هوشمند و شرایط نوری متفاوت در بر می‌گیرد که استحکام عملی را افزایش می‌دهد.
2. چارچوب مشارکتی یکپارچه: یک پلتفرم بلادرنگ ایجاد می‌کند که در آن موقعیت‌های تلفن هوشمند و ربات هر دو به دست آمده و در رابط تلفن هوشمند به اشتراک گذاشته می‌شوند و آگاهی متقابل را ممکن می‌سازند.
3. اعتبارسنجی آزمایشی: این مطالعه بر معیارهای کلیدی عملکرد تمرکز کرده و آن‌ها را به صورت تجربی تأیید می‌کند: دقت شناسایی ID، دقت موقعیت‌یابی و قابلیت بلادرنگ.

3. شرح نمایش عملی

سیستم نمایش عملی به دو بخش فرستنده و گیرنده تقسیم شده است.

3.1 معماری سیستم

معماری شامل فرستنده‌های LED است که توسط یک واحد میکروکنترلر (MCU) کنترل شده و داده‌های موقعیت مدوله شده را پخش می‌کنند. گیرنده‌ها تلفن‌های هوشمند (برای ردیابی انسان) و ربات‌های مجهز به دوربین هستند. تلفن هوشمند به عنوان یک مرکز اصلی عمل می‌کند که داده‌های VLC از LEDها را برای مکان‌یابی خود پردازش کرده و داده‌های موقعیت ربات (احتمالاً از طریق روش‌های دیگر مانند WiFi/BLE) را دریافت می‌کند تا یک نقشه مشارکتی یکپارچه را نمایش دهد.

3.2 تنظیمات آزمایشی

همانطور که در متن (شکل 1) اشاره شده است، تنظیمات شامل چهار فرستنده LED نصب شده بر روی صفحات تخت است. یک واحد مدار کنترل مقیاس‌پذیر، LEDها را مدیریت می‌کند. محیط به گونه‌ای طراحی شده است که یک فضای داخلی معمولی را شبیه‌سازی کند که در آن هم یک ربات و هم یک انسان با تلفن هوشمند فعالیت می‌کنند.

4. جزئیات فنی و فرمول‌بندی ریاضی

فناوری اصلی بر مدولاسیون OOK و اثر شاتر رولینگ استوار است. حالت روشن/خاموش LED که در فرکانس بالا مدوله شده است، توسط یک سنسور CMOS نه به عنوان یک تصویر یکنواخت روشن/تیره، بلکه به صورت نوارهای متناوب تیره و روشن (خطوط) در سراسر تصویر ثبت می‌شود. الگوی این نوارها داده‌های دیجیتال (UID) را کدگذاری می‌کند.

تخمین موقعیت: پس از رمزگشایی UID، جستجو در یک پایگاه داده از پیش ایجاد شده، مختصات جهانی LED $(X_{LED}, Y_{LED}, Z_{LED})$ را فراهم می‌کند. با استفاده از هندسه دوربین (مدل سوراخ سوزنی) و مختصات پیکسل تشخیص داده شده $(u, v)$ تصویر LED، موقعیت دستگاه نسبت به LED قابل تخمین است. برای یک حالت ساده‌شده دو بعدی با ارتفاع معلوم LED $H$، فاصله $d$ از دوربین تا تصویر عمودی LED در صورتی که زاویه کج شدن دوربین $\theta$ و فاصله کانونی $f$ معلوم یا کالیبره شده باشند، قابل تقریب است:

$ d \approx \frac{H}{\tan(\theta + \arctan(\frac{v - v_0}{f}))} $

که در آن $(u_0, v_0)$ نقطه اصلی است. مشاهده چندین LED امکان مثلث‌بندی برای موقعیت‌یابی دقیق‌تر دو بعدی/سه بعدی را فراهم می‌کند.

5. نتایج آزمایشی و شرح نمودارها

مقاله بیان می‌کند که امکان‌پذیری، دقت بالا و عملکرد بلادرنگ چارچوب بر اساس سیستم آزمایشی نشان داده شده است. در حالی که نتایج عددی خاص در بخش ارائه شده به تفصیل بیان نشده است، به دستیابی به دقت بالا (مانند ۲.۵ سانتی‌متر در کار مرتبط فقط ربات [۲,۳]) اشاره می‌کند.

نمودارها/شکل‌های ضمنی:

• شکل ۱: محیط آزمایشی کلی و نتیجه: احتمالاً تنظیمات فیزیکی با چهار پنل LED، یک ربات و یک شخص با تلفن هوشمند را نشان می‌دهد. یک شماتیک یا تصویر از صفحه نمایش تلفن هوشمند که موقعیت‌های بلادرنگ هر دو موجودیت را روی یک نقشه نشان می‌دهد، می‌تواند "نتیجه" کلیدی باشد.
• نمودارهای ارزیابی دقت: نمودارهای معمول شامل تابع توزیع تجمعی (CDF) خطای موقعیت‌یابی برای آزمایش‌های ایستا و پویا، و مقایسه روش پیشنهادی با یک خط پایه خواهد بود.
• معیارهای عملکرد بلادرنگ: یک نمودار نشان‌دهنده تأخیر (زمان از ثبت تصویر تا نمایش موقعیت) تحت شرایط مختلف.

6. چارچوب تحلیل: یک مثال موردی

سناریو: برداشت سفارش در انبار با تیم انسان و ربات.
مرحله ۱ (نقشه‌برداری): LEDهای دارای UID یکتا در مکان‌های معلوم سقف انبار نصب می‌شوند. یک پایگاه داده نقشه، هر UID را به مختصات $(X, Y, Z)$ آن پیوند می‌دهد.
مرحله ۲ (مکان‌یابی ربات): دوربین رو به بالای ربات نوارهای LED را ثبت کرده، UIDها را رمزگشایی می‌کند و موقعیت دقیق خود را با استفاده از الگوریتم‌های هندسی محاسبه می‌کند. سپس به سمت قفسه‌های موجودی حرکت می‌کند.
مرحله ۳ (مکان‌یابی کارگر انسانی): دوربین تلفن هوشمند یک کارگر برداشت (که احتمالاً کج شده است) نیز سیگنال‌های LED را ثبت می‌کند. VLP چند-طرحه سیستم، کج شدن را جبران کرده، UID را رمزگشایی کرده و موقعیت کارگر را تعیین می‌کند.
مرحله ۴ (همکاری): ربات و تلفن هوشمند مختصات خود را از طریق یک شبکه محلی مبادله می‌کنند. برنامه تلفن هوشمند هر دو موقعیت را نمایش می‌دهد. ربات می‌تواند برای تحویل یک کالای برداشت شده به موقعیت کارگر حرکت کند، یا سیستم می‌تواند در صورت نزدیک شدن بیش از حد کارگر به مسیر ربات، به او هشدار دهد.
نتیجه: افزایش ایمنی، کارایی و هماهنگی بدون اتکا به سیگنال‌های RF ضعیف یا شلوغ.

7. چشم‌انداز کاربرد و جهت‌گیری‌های آینده

کاربردهای کوتاه‌مدت:

• انبارها و کارخانه‌های هوشمند: برای ربات‌های موجودی، وسایل نقلیه هدایت شونده خودکار (AGV) و کارگران در لجستیک.
• مراقبت‌های بهداشتی: ردیابی تجهیزات پزشکی سیار و پرسنل در بیمارستان‌ها.
• خرده‌فروشی: راهنمایی مشتریان در فروشگاه‌های بزرگ و تعامل با ربات‌های خدمات.
• موزه‌ها و فرودگاه‌ها: ارائه ناوبری داخلی دقیق برای بازدیدکنندگان.

جهت‌گیری‌های تحقیقاتی آینده:

1. ادغام با SLAM: ادغام عمیق موقعیت‌یابی مطلق مبتنی بر VLC با SLAM ربات (همانطور که در [۲,۳] اشاره شده) برای ناوبری قوی و بدون رانش در محیط‌های پویا.
2. پردازش سیگنال تقویت شده با هوش مصنوعی: استفاده از یادگیری عمیق برای رمزگشایی سیگنال‌های VLC تحت شرایط شدید (تار حرکتی، اُکلوژن جزئی، تداخل از منابع نوری دیگر).
3. استانداردسازی و قابلیت همکاری: توسعه پروتکل‌های مشترک برای سیگنال‌های موقعیت‌یابی VLC برای امکان استقرار در مقیاس گسترده، مشابه تلاش‌های گروه کاری IEEE 802.15.7r1.
4. طراحی‌های بهینه از نظر انرژی: بهینه‌سازی الگوریتم‌های پردازش در سمت تلفن هوشمند برای به حداقل رساندن مصرف باتری ناشی از استفاده مداوم از دوربین.
5. ادغام حسگر ناهمگن: ترکیب VLC با UWB، WiFi RTT و حسگرهای اینرسیایی برای سیستم‌های موقعیت‌یابی تحمل‌پذیر خطا و با دسترسی بالا.

8. مراجع

1. [1] نویسنده(ها). "یک روش موقعیت‌یابی برای ربات‌ها مبتنی بر سیستم عامل ربات." کنفرانس/مجله، سال.
2. [2] نویسنده(ها). "یک روش موقعیت‌یابی ربات مبتنی بر یک LED منفرد." کنفرانس/مجله، سال.
3. [3] نویسنده(ها). "[کار مرتبط] ترکیب شده با SLAM." کنفرانس/مجله، سال.
4. [4] نویسنده(ها). "در مورد مکان‌یابی مشارکتی ربات‌ها." کنفرانس/مجله، سال.
5. [5-7] نویسنده(ها). "طرح‌های VLP برای شرایط نوری/کج شدن مختلف." کنفرانس/مجله، سال.
6. استاندارد IEEE برای شبکه‌های محلی و کلان‌شهری--قسمت ۱۵.۷: ارتباطات بی‌سیم نوری برد کوتاه. IEEE Std 802.15.7-2018.
7. Gu, Y., Lo, A., & Niemegeers, I. (2009). A survey of indoor positioning systems for wireless personal networks. IEEE Communications Surveys & Tutorials.
8. Zhuang, Y., et al. (2018). A survey of positioning systems using visible LED lights. IEEE Communications Surveys & Tutorials.

9. تحلیل اصلی و نظرات کارشناسی