La planificación de movimiento / trayectoria de pozos es un campo muy activo de investigación robótica en sí misma; entonces la respuesta sería: “La investigación de planificación de rutas es probablemente el mejor fondo de investigación para la planificación de rutas de robots móviles”
Pero bueno, supongo que usted quiso decir más qué conocimientos básicos son útiles y buenos antecedentes para dicho dominio. Entonces hay pocos:
La planificación de rutas, como la mayoría de las formas de planificación en CS, implica un buen conocimiento de la teoría de gráficos y la búsqueda en general. Después de todo, un mapa es principalmente un gráfico con pesos y una función del planificador de ruta es encontrar la mejor ruta en este gráfico que minimice un costo (si es la distancia, el tiempo o la energía). Después de todo, A * o D * a menudo se ilustran en un problema de planificación de ruta
- Si uno ayuda a crear un conjunto de datos que se utiliza para un trabajo de investigación (Exp Design and Collection), ¿esa persona debería obtener la coautoría?
- ¿Qué nivel de habilidad o conocimiento esperan los profesores de los estudiantes que desean investigar bajo ellos?
- Para un estudiante de doctorado, ¿tiene que hacer su disertación relacionada con el laboratorio de investigación en el que está financiado?
- ¿Cuáles son los elementos de una disertación de alta calidad?
- ¿Cuáles son algunos temas interesantes de disertación en el espacio Fintech?
La incertidumbre y los dominios estocásticos también son cruciales y no solo donde cabría esperar. Por supuesto, puede pensar en el aspecto típico de que la localización y navegación de su robot, o incluso el mapa, no son perfectos; por lo tanto, uno debe tener en cuenta eso y los modelos estocásticos pueden ayudar a hacer que su camino sea más robusto utilizando la representación gaussiana de tales errores. Pero la parte más interesante probablemente esté en el aspecto de búsqueda y en cómo cambió la forma en que las personas planifican el movimiento con robots complejos: a saber, la hoja de ruta probabilística que toma un entorno 3D + continuo complejo (el + para indicar que ofenden se ven en el espacio de configuración que tiene más de 3 dimensiones) y traducirlo en un conjunto de nodos muestreados al azar que están conectados para representar una vista simplificada mucho más fácil de explorar utilizando la búsqueda típica. Esto implica un buen conocimiento de las probabilidades, pero también de la topología (de nuevo se trata con espacios de alta dimensión y propiedades extrañas en alguna dimensión: por ejemplo, la dimensión que representa rotaciones, …)
Luego habló sobre la planificación, por lo que probablemente debería parar aquí, pero como de costumbre en un componente robótico, es inútil si no tiene en cuenta que interactúa con otros. Y en tu caso viene el problema de dónde viene tu mapa. Este problema es bien conocido en robótica como SLAM (localización y mapeo simultáneos) y permite al robot actualizar su propio mapa del entorno a medida que navega. Esto implica nuevamente un buen conocimiento sobre los enfoques probabilísticos (filtro de Kalman y su amigo extendido, pero también filtro de partículas, …) y también la integración del sensor, y la lista sigue y sigue.
Es posible que no necesite saber en profundidad cómo funciona SLAM (aunque si el mapa se actualiza dinámicamente también puede afectar dinámicamente su solución “óptima”), o cómo el robot navega (aunque sea Holonómico (robótica) o no tendrá un impacto profundo) sobre cómo planifica sus rutas y su capacidad de retroceder físicamente desde un callejón sin salida), pero tener un alto nivel de comprensión sobre ellas y su impacto puede cambiar su planificación de ruta de ser un enfoque fuera de línea típico agregado rápidamente a la parte superior de un robot y completamente parte integrada de su arquitectura de software.