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

1. مرور کلی

موقعیت‌یابی در محیط‌های داخلی با چالش‌های قابل توجهی مواجه است، زیرا دیوارها سیگنال‌ها را مسدود می‌کنند و فناوری‌های سنتی مانند GPS را با خطاهای بزرگ بی‌اثر می‌سازند. همگرایی روشنایی فراگیر LED و سنسورهای CMOS با وضوح بالا در تلفن‌های هوشمند، توسعه موقعیت‌یابی با نور مرئی (VLP) را تسریع کرده است. این سیستم اطلاعات شناسه (ID) و موقعیت را با استفاده از یک واحد میکروکنترلر (MCU) در یک سیگنال مدوله‌شده کدگذاری می‌کند که معمولاً از کلیدزنی روشن-خاموش (OOK) برای مدولاسیون LEDها استفاده می‌کند. پایانه گیرنده، با بهره‌گیری از اثر شاتر رولینگ سنسورهای CMOS، حالت روشن/خاموش LED را به‌صورت نوارهای روشن و تاریک ثبت می‌کند و نرخ داده‌ای بسیار فراتر از نرخ فریم ویدیو برای ارتباطات نوری-دوربین (OCC) را ممکن می‌سازد. شناسه منحصربه‌فرد (UID) هر LED در یک پایگاه داده به یک موقعیت فیزیکی نگاشت می‌شود و به یک دستگاه اجازه می‌دهد با رمزگشایی این نوارها موقعیت خود را تعیین کند.

در حالی که کارهای پیشین به دقت موقعیت‌یابی بالایی برای تلفن‌های هوشمند یا ربات‌ها به صورت جداگانه دست یافته‌اند (مثلاً ۲.۵ سانتی‌متر برای ربات‌ها با استفاده از یک LED و SLAM)، سناریوهایی مانند لجستیک انبار و خدمات تجاری نیازمند موقعیت‌یابی مشارکتی بین انسان‌ها (با تلفن هوشمند) و ربات‌ها هستند. این امر نیازمند اشتراک‌گذاری و ردیابی متقابل موقعیت به صورت بلادرنگ در محیط‌های پویا و غیرقابل پیش‌بینی است که چالشی معنادار و قابل توجه محسوب می‌شود.

2. نوآوری

نوآوری اصلی این کار، پیشنهاد و اعتبارسنجی تجربی یک چارچوب یکپارچه موقعیت‌یابی مشارکتی برای تلفن‌های هوشمند و ربات‌ها با استفاده از VLC است. دستاوردهای کلیدی عبارتند از:

1. طراحی سیستم: یک سیستم موقعیت‌یابی مشارکتی VLC با دقت بالا که با شرایط نوری مختلف و وضعیت‌های کج شدن تلفن هوشمند سازگار است و چندین طرح VLP را یکپارچه می‌کند.
2. پیاده‌سازی چارچوب: یک چارچوب ساخته‌شده که در آن موقعیت‌های بلادرنگ هم تلفن‌های هوشمند و هم ربات‌ها قابل دسترسی و روی رابط تلفن هوشمند قابل مشاهده است.
3. تأیید تجربی: تمرکز بر ارزیابی دقت شناسایی ID، دقت موقعیت‌یابی و عملکرد بلادرنگ برای اثربخشی طرح.

3. شرح نمایش

سیستم نمایش شامل دو بخش اصلی است: فرستنده‌های LED مدوله‌شده و پایانه‌های گیرنده موقعیت (تلفن‌های هوشمند/ربات‌ها).

4. بینش کلیدی و دیدگاه تحلیلگر

5. جزئیات فنی و فرمول‌بندی ریاضی

اصل اصلی موقعیت‌یابی اغلب شامل مثل‌سازی (lateration) است. با فرض اینکه دوربین تلفن هوشمند سیگنال‌های $n$ LED با موقعیت‌های معلوم $P_i = (x_i, y_i, z_i)$ را رمزگشایی می‌کند و قدرت سیگنال دریافتی (RSS) یا زاویه ورود (AoA) را برای هر یک اندازه‌گیری می‌کند، موقعیت دستگاه $P_u = (x_u, y_u, z_u)$ قابل تخمین است.

برای مثل‌سازی مبتنی بر RSS (رایج در VLP)، رابطه توسط قانون مربع معکوس داده می‌شود: $$P_r = P_t \cdot \frac{A}{d^2} \cdot \cos(\theta)$$ که در آن $P_r$ توان دریافتی، $P_t$ توان ارسالی، $A$ مساحت آشکارساز، $d$ فاصله و $\theta$ زاویه برخورد است. فاصله $d_i$ تا LED $i$ام از $P_r$ تخمین زده می‌شود. سپس موقعیت کاربر با حل دستگاه معادلات زیر به دست می‌آید: $$(x_u - x_i)^2 + (y_u - y_i)^2 + (z_u - z_i)^2 = d_i^2, \quad \text{for } i = 1, 2, ..., n$$ این امر معمولاً برای تعیین موقعیت دو بعدی به $n \ge 3$ و برای سه بعدی به $n \ge 4$ نیاز دارد.

مدولاسیون OOK ذکر شده از یک طرح ساده استفاده می‌کند که در آن بیت '۱' با حالت روشن LED و '۰' با حالت خاموش در یک بازه زمانی خاص، همگام با شاتر رولینگ دوربین، نمایش داده می‌شود.

6. نتایج آزمایشی و شرح نمودار

شکل 1 مرجع (محیط آزمایشی کلی و نتیجه): اگرچه شکل دقیق در متن ارائه نشده است، اما بر اساس توضیحات، احتمالاً شکل 1 راه‌اندازی آزمایشگاه را به تصویر می‌کشد. این شکل احتمالاً یک شماتیک یا عکس از یک اتاق با چهار پنل LED نصب‌شده روی سقف را نشان می‌دهد که هر کدام به عنوان فرستنده عمل می‌کنند. یک سکوی ربات و یک فرد در حال نگه‌داشتن تلفن هوشمند در فضای داخلی نشان داده شده‌اند. یک درج یا روکش احتمالاً صفحه نمایش تلفن هوشمند را نشان می‌دهد که نمای نقشه بلادرنگ را نمایش می‌دهد. روی این نقشه، آیکون‌های نشان‌دهنده گره‌های LED ثابت، ربات متحرک و موقعیت خود تلفن هوشمند ترسیم شده‌اند و به صورت بصری موقعیت‌یابی مشارکتی در عمل را نشان می‌دهند. نتیجه ضمنی شکل، نمایش موفقیت‌آمیز و همزمان موقعیت‌های چندین عامل در یک رابط واحد است.

متن بیان می‌کند که نمایش، دقت بالا و عملکرد بلادرنگ را تأیید کرد. اگرچه مقادیر عددی خاص دقت (مانند خطا بر حسب سانتی‌متر) برای این چارچوب مشارکتی خاص فهرست نشده است، اما به کار قبلی که به دقت ۲.۵ سانتی‌متر برای VLP فقط ربات دست یافته است، اشاره می‌کند که نشان می‌دهد فناوری زیربنایی قادر به دقت بالا است. ادعای بلادرنگ نشان می‌دهد که نرخ به‌روزرسانی سیستم برای ردیابی عامل‌های متحرک بدون تأخیر محسوس کافی بوده است.

7. چارچوب تحلیل: یک مطالعه موردی غیرکدی

سناریو: برداشت سفارش از انبار با تیم‌های انسان-ربات.

کاربرد چارچوب:

1. مقداردهی اولیه: یک انبار مجهز به چراغ‌های LED در هر راهروی ذخیره‌سازی است که هر کدام شناسه منطقه منحصربه‌فرد خود را پخش می‌کنند (مثلاً "Aisle-3-Bay-5"). یک ربات برداشت و یک کارگر انسانی با یک برنامه تلفن هوشمند مستقر می‌شوند.
2. مکان‌یابی فردی: دوربین ربات و تلفن هوشمند کارگر به طور مستقل سیگنال‌های LED را رمزگشایی می‌کنند تا مختصات دقیق $(x, y)$ خود را در نقشه انبار ذخیره‌شده روی یک سرور مرکزی تعیین کنند.
3. هماهنگی مشارکتی: سرور مرکزی (یا یک شبکه همتا به همتا) چارچوب مشارکتی را اجرا می‌کند. کارگر یک لیست برداشت دریافت می‌کند. چارچوب شناسایی می‌کند که مورد شماره ۱ در فاصله ۲۰ متری در راهرو ۲ قرار دارد. محاسبه می‌کند که ربات در حال حاضر نزدیک‌تر و بدون کار است.
4. عمل و به‌روزرسانی: سیستم یک دستور به ربات می‌فرستد: "به راهرو ۲، قفسه ۴ برو و منتظر بمان." همزمان، کارگر انسانی را از طریق صفحه تلفن هوشمندش هدایت می‌کند: "به راهرو ۵ بروید. ربات در حال برداشتن اولین مورد شماست." صفحه نمایش تلفن هوشمند کارگر هم موقعیت خودش و هم آیکون متحرک بلادرنگ ربات را که به هدف نزدیک می‌شود نشان می‌دهد.
5. تحویل: هنگامی که ربات با مورد می‌رسد، تلفن هوشمند کارگر که هر دو موقعیت را دقیقاً می‌داند، به کارگر و ربات هشدار می‌دهد تا یک تحویل روان را تسهیل کند. چارچوب به طور مداوم همه موقعیت‌ها را به‌روز می‌کند.

8. چشم‌انداز کاربرد و جهت‌های آینده

کاربردهای کوتاه‌مدت:

• انبارها و کارخانه‌های هوشمند: برای ردیابی موجودی بلادرنگ، مسیریابی پویای ربات‌ها و مناطق ایمن همکاری انسان-ربات.
• موزه‌ها و خرده‌فروشی: ارائه اطلاعات آگاه از زمینه به تلفن‌های هوشمند بازدیدکنندگان بر اساس موقعیت دقیق آن‌ها نزدیک به نمایشگاه‌ها یا محصولات.
• بیمارستان‌ها: ردیابی تجهیزات پزشکی سیار و کارکنان به صورت بلادرنگ برای لجستیک بهینه.

جهت‌های تحقیقاتی آینده:

• ادغام حسگرها: یکپارچه‌سازی VLP با داده‌های واحد اندازه‌گیری اینرسی (IMU) از تلفن‌های هوشمند/ربات‌ها و اثرانگشت‌های WiFi/BLE برای حفظ موقعیت‌یابی در طول انسداد سیگنال VLC و ایجاد یک سیستم ترکیبی مستحکم.
• رمزگشایی تقویت‌شده با هوش مصنوعی: استفاده از مدل‌های یادگیری عمیق (مانند شبکه‌های عصبی کانولوشنی) برای بهبود دقت رمزگشایی شناسه LED در شرایط نوری چالش‌برانگیز، انسداد جزئی یا از تصاویر تار.
• استانداردسازی و مقیاس‌پذیری: توسعه پروتکل‌های صنعتی گسترده برای سیگنال‌های موقعیت‌یابی مبتنی بر VLC برای اطمینان از قابلیت همکاری بین LEDها و دستگاه‌های سازندگان مختلف، که برای استقرار در مقیاس بزرگ حیاتی است.
• ادغام با 6G: همان‌طور که تحقیقات 6G ادغام ارتباطات و حسگری را تصور می‌کند، VLP می‌تواند به یک زیرسیستم بومی برای موقعیت‌یابی داخلی با دقت بالا در شبکه‌های 6G آینده تبدیل شود، همان‌طور که در اسناد سفید گروه تمرکز ITU-T در مورد 6G بررسی شده است.

9. مراجع

1. نویسنده(گان). "یک روش موقعیت‌یابی برای ربات‌ها بر اساس سیستم عامل ربات." نام کنفرانس/مجله، سال. [ارجاع شده در PDF]
2. نویسنده(گان). "یک روش موقعیت‌یابی ربات بر اساس یک LED منفرد." نام کنفرانس/مجله، سال. [ارجاع شده در PDF]
3. نویسنده(گان). "موقعیت‌یابی ربات ترکیب‌شده با SLAM با استفاده از VLC." نام کنفرانس/مجله، سال. [ارجاع شده در PDF]
4. نویسنده(گان). "مطالعه امکان‌سنجی در مورد مکان‌یابی مشارکتی ربات‌ها." نام کنفرانس/مجله، سال. [ارجاع شده در PDF]
5. Zhou, B., et al. "موقعیت‌یابی نور مرئی مبتنی بر تلفن هوشمند با جبران کج‌شدگی." نامه‌های فناوری فوتونیک IEEE، ۲۰۲۰.
6. Isola, P., et al. "ترجمه تصویر به تصویر با شبکه‌های متخاصم شرطی." مجموعه مقالات CVPR، ۲۰۱۷. (مقاله CycleGAN، به عنوان نمونه‌ای از تکنیک‌های پیشرفته پردازش تصویر مرتبط با بهبود رمزگشایی تصویر VLC).
7. "تعامل و همکاری انسان-ربات." انجمن رباتیک و اتوماسیون IEEE. https://www.ieee-ras.org/human-robot-interaction-cooperation (دسترسی: ۲۰۲۳).
8. "سند سفید چشم‌انداز 6G." گروه تمرکز ITU-T در مورد فناوری‌های شبکه ۲۰۳۰. https://www.itu.int/en/ITU-T/focusgroups/6g (دسترسی: ۲۰۲۳).
9. "برنامه پرچمدار 6G." دانشگاه اولو. https://www.oulu.fi/6gflagship (دسترسی: ۲۰۲۳).