أصبح تدريب الروبوتات على التنقل بشكل مستقل دون الاعتماد على نظام تحديد المواقع العالمي GPS تقدماً مهماً في مجال الأنظمة ذاتية التشغيل حيث يتيح هذا النظام للروبوتات التحرك بفاعلية في بيئات متنوعة ومتغيرة دون الحاجة إلى الملاحة عبر الأقمار الصناعية من خلال محاكاة آلية الإدراك البشري عبر تحديد المنطقة أولاً ثم تحسين الموقع استناداً إلى التفاصيل الدقيقة المحيطة مما يعالج التحديات المرتبطة بعدم استقرار إشارات GPS التي قد تتأثر بالقرب من المباني أو داخلها مما يستدعي الاعتماد على أجهزة الاستشعار وخوارزميات متقدمة.
تدريب الروبوتات على التنقل بثقة دون استخدام الـ gps
تم تدريب الروبوتات على التنقل في البيئة المحيطة مثل البشر
تطوير نظام MCL-DLF فى إسبانيا
عمل علماء من جامعة ميغيل هيرنانديز في إلتشى UMH على تطوير نظام تحديد المواقع الهرمي MCL-DLF وهو اختصار لتحديد المواقع بتقنية مونت كارلو والميزات المحلية العميقة حيث يوفر هذا النظام تحديد مواقع ثلاثي الأبعاد دقيق وواسع النطاق باستخدام تقنية الليدار مع تصميمه لدعم التنقل طويل الأمد في المساحات الكبيرة وقد خضع النظام لاختبارات استمرت عدة أشهر داخل حرم الجامعة وخارج المباني وفي ظروف بيئية متنوعة ونجح في الحفاظ على أدائه بحسب ما ذكر موقع hayka.
آلية عمل تحاكى الإدراك البشري
يعتمد مبدأ تشغيل MCL-DLF على محاكاة طريقة تنقل البشر في البيئات غير المألوفة أو المتغيرة حيث يبدأ الروبوت بتحديد موقع تقريبي عبر التعرف إلى السمات الهيكلية العامة في سحب نقاط الليدار ثلاثية الأبعاد مثل المباني أو الغطاء النباتي وبعد تضييق نطاق المنطقة ينتقل النظام إلى مرحلة تحديد الموقع الدقيق من خلال تحليل السمات التفصيلية لتحديد موقع الروبوت واتجاهه بدقة عالية وترتكز هذه الآلية على تقنيات التعلم العميق التي تستخرج السمات المحلية المميزة تلقائياً وتقلل من الغموض عند التعامل مع أجسام متشابهة بصرياً مع دمج النتائج في إطار تحديد احتمالي يعتمد على طريقة مونت كارلو التي تبقي على فرضيات متعددة للموقع وتحدثها مع تدفق بيانات المستشعرات.
متانة عالية وتطبيقات واسعة
تتمثل أبرز مزايا نظام MCL-DLF في قدرته على التعامل مع التغيرات البيئية المختلفة حيث يحافظ على دقة مرتفعة مع تقلبات أقل بمرور الوقت حتى في ظل تغيرات موسمية ويؤكد المطورون أن تحديد الموقع الدقيق عنصر حاسم لروبوتات الخدمة والخدمات اللوجستية والمراقبة البيئية وفحص البنية التحتية والمركبات ذاتية القيادة وتمثل هذه التقنية خطوة مهمة نحو تمكين الروبوتات من العمل ذاتياً بالكامل في بيئات واسعة وديناميكية دون الحاجة إلى بنية تحتية خارجية لتحديد المواقع.