เทคโนโลยีสมัยใหม่ในการเดินเรือใต้น้ำของเรือดำน้ำ (ตอนที่ 2)

จากตอนที่แล้วเราได้พูดถึงแนวคิดในการทำ Bottom Navigation ของเรือดำน้ำด้วยการวัดความลึกใต้ท้องทะเลร่วมกับฐานข้อมูลความลึกในแผนที่อิเล็กทรอนิกส์ เพื่อช่วยหาตำบลที่ใต้น้ำโดยไม่ต้อง Update จากดาวเทียม แต่การใช้ Correlation Filter ยังคงมีข้อจำกัดหลายประการที่ไม่สามารถนำมาใช้งานได้จริง วันนี้จึงขอนำเสนอวิธีการที่มีความเป็นไปได้ในการใช้งานจริงบ้าง

วิธีการดังกล่าวยังใช้แนวคิดเดิมในการใช้ข้อมูลความลึกใต้ท้องทะเลที่วัดได้ร่วมกับฐานข้อมูลความลึกในแผนที่อิเล็กทรอนิกส์ เพื่อนำมาใช้หาตำบลที่ใต้น้ำ แต่แทนที่จะใช้วิธีการทำ Sliding Product ด้วย Correlation Filter ซึ่งต้องใช้ข้อมูลความลึกใต้ท้องทะเลปริมาณมากและมีโอกาสเกิดความคลาดเคลื่อนสูง จะเป็นการใช้หลักทางสถิติหรือ Probability Distribution แทน หลักการดังกล่าวเป็นที่รู้จักในนามของ Markov Localization หรือ Particle Filter Localization ซึ่งเป็นหลักการที่ใช้กับการนำทางของหุ่นยนต์ภายใต้สภาพแวดล้อมที่คงที่ (Fixed/Known Environment) และยังสามารถขยายขอบเขตไปใช้กับสภาพแวดล้อมที่มีการเปลี่ยนแปลง (Dynamic Environment) ได้อีกด้วย

หลักการของ Markov Localization หรือ Particle Filter Localization คือการหาค่าความน่าจะเป็นของตำบลที่ในแผนที่ของสภาพแวดล้อมหนึ่งๆ จากการวัดค่าจากสภาพแวดล้อมจริง ซึ่งในการวัดค่าครั้งแรกผลที่ได้อาจหมายถึงตำบลที่ใดก็ได้ในแผนที่ (หมายความว่าค่าความน่าจะเป็นมีการกระจายเท่ากันหมดในแผนที่) และเมื่อเรือดำน้ำ (หรือหุ่นยนต์) มีการเคลื่อนที่ไปจากเดิมจะทำให้มีการสะสมการเปลี่ยนแปลงของค่าที่วัดได้มากขึ้นเรื่อยๆ ส่งผลให้พื้นที่ต่างๆ ที่มีค่าความน่าจะเป็นของตำบลที่ค่อยๆ ลดลงจนกระทั่งเหลือเพียงจุดที่มีความน่าจะเป็นมากที่สุดเพียงจุดเดียว

จากตัวอย่างในภาพ เป็นการหาตำบลที่ของหุ่นยนต์ (รูปสีฟ้า) ในระหว่างการเคลื่อนที่ผ่านกำแพงที่มีประตู 3 บาน (ตั้งสมมุติฐานว่าหุ่นยนต์มีข้อมูลที่ตั้งประตู) โดยหุ่นยนต์จะเริ่มต้นด้วยการกระจายค่าความน่าจะเป็น (ขีดสีแดง) เท่ากันทุกจุดตลอดแนวกำแพงเมื่อเริ่มทำการสำรวจกำแพง ซึ่งหมายความว่าหุ่นยนต์คิดว่าตนเองอาจอยู่ที่ใดก็ได้ตลอดแนวกำแพง จนเมื่อหุ่นยนต์ผ่านประตูแรก  ค่าความน่าจะเป็นจะเพิ่มขึ้นในบริเวณหน้าประตู และความน่าจะเป็นจะลดลงในจุดที่ไม่ใช่ประตู (แต่ยังอาจเป็นประตูบานไหนก็ได้) และค่าความน่าจะเป็นจะเพิ่มขึ้นสูงสุดเพียงจุดเดียวเมื่อหุ่นยนต์ผ่านประตูบานที่สอง

แนวคิดนี้สามารถนำมาใช้ได้กับการวัดค่าความลึกของพื้นท้องทะเลใต้น้ำ เทียบกับข้อมูลความลึกที่มีอยู่ในแผนที่อิเล็กทรอนิกส์ ซึ่งจะให้ค่าความน่าจะเป็นของตำบลที่ที่ค่อนข้างแม่นยำเมื่อเรือดำน้ำมีการเคลื่อนที่เป็นระยะหนึ่ง จึงเป็นวิธีการที่ได้ผลดีกว่าการใช้ Correlation Filter อย่างไรก็ดี แนวคิดในการทำ Bottom Navigation ด้วยวิธีการ Markov Localization หรือ Particle Filter Localization ต้องอาศัยความเปลี่ยนแปลงของความลึกใต้ท้องทะเล เพื่อให้สามารถคำนวณหาจุดที่มีความน่าจะเป็นจากความเปลี่ยนแปลงนั้นได้ ซึ่งวิธีการนี้จะใช้ไม่ได้ผลหากพื้นใต้ท้องทะเลเป็นพื้นราบเรียบที่ไม่มีการเปลี่ยนแปลงความสูงต่ำเลย

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s