1. Waarneming/waarneming: Algoritmen waarmee de robot via sensoren zijn omgeving kan begrijpen.

* Computervisie:

* Objectdetectie: YOLO, SSD, Faster R-CNN, Mask R-CNN, Transformers (DETR, Deformable DETR) - Identificeren en lokaliseren van objecten in afbeeldingen/video.

* Beeldsegmentatie: U-Net, DeepLab - Een afbeelding verdelen in betekenisvolle gebieden, waarbij aan elke pixel een label wordt toegewezen.

* Functiedetectie en matching: SIFT, SURF, ORB - Het vinden van onderscheidende kenmerken in afbeeldingen om deze in verschillende gezichtspunten en omstandigheden te matchen.

* Structuur vanuit beweging (SfM): Reconstrueren van een 3D-structuur uit een reeks 2D-beelden.

* Visuele SLAM (gelijktijdige lokalisatie en mapping): ORB-SLAM, DSO-SLAM - Gelijktijdig een kaart van de omgeving bouwen en de locatie van de robot binnen die kaart bepalen met behulp van visie.

* Optische stroom: Lucas-Kanade, Farneback - Het schatten van de beweging van objecten en de robot zelf op basis van veranderingen in visuele kenmerken.

* Diepteschatting: Stereovisie, monoculaire diepteschatting met deep learning (bijvoorbeeld met behulp van transformatoren).

* Lidar-verwerking:

* Puntenwolkregistratie: ICP (Iterative Closest Point), RANSAC - Puntenwolken uit meerdere scans uitlijnen om een ​​compleet 3D-model te creëren.

* Objectherkenning en classificatie: PointNet, PointNet++, DGCNN - Directe verwerking van puntenwolkgegevens om objecten te identificeren en te classificeren.

* Segmentatie: Regiogroei, plane fitting, op deep learning gebaseerde puntenwolksegmentatie.

* Lidar SLAM: LOAM (Lidar Odometry and Mapping), LeGO-LOAM - Vergelijkbaar met visuele SLAM, maar met lidar-gegevens.

* Bezettingsraster in kaart brengen: De omgeving weergeven als een raster waarbij elke cel aangeeft of deze bezet of vrij is.

* Sensorfusie: Het combineren van gegevens van meerdere sensoren om een ​​nauwkeurigere en robuustere perceptie van de omgeving te krijgen.

* Kalman-filter: Het schatten van de toestand van een systeem (bijvoorbeeld de positie en snelheid van de robot) door sensorgegevens met ruis te combineren met een dynamisch model. Extended Kalman Filter (EKF) en Unscented Kalman Filter (UKF) zijn variaties voor niet-lineaire systemen.

* Bayesiaanse filtering: Een algemeen raamwerk voor het combineren van voorkennis met sensorgegevens om opvattingen over het milieu te actualiseren. Deeltjesfilters zijn een specifieke uitvoering.

* Aanvullend filter: Het combineren van de output van verschillende sensoren op basis van hun frequentiekarakteristieken (bijvoorbeeld door gebruik te maken van een accelerometer voor hoogfrequente bewegingen en een gyroscoop voor langetermijnoriëntatie).

2. Lokalisatie en mapping: Algoritmen die de robot in staat stellen zijn positie te kennen en een representatie van zijn omgeving te creëren. Vaak overlapt met perceptie.

* SLAM (gelijktijdige lokalisatie en mapping): Zoals hierboven vermeld, zijn zowel visuele als lidar SLAM van cruciaal belang. Belangrijke algoritmen zijn onder meer:

* EKF SLAM: Een vroege aanpak met behulp van het Extended Kalman Filter.

* Grafisch gebaseerde SLAM: De kaart weergeven als een grafiek waarbij knooppunten robothoudingen zijn en randen beperkingen tussen houdingen zijn. g2o, Ceres Solver zijn veelgebruikte optimalisatiebibliotheken.

* Deeltjesfilter SLAM (FastSLAM): Een reeks deeltjes (hypothesen) gebruiken om de mogelijke robothoudingen en kaart weer te geven.

* Factorgrafieken: Een generalisatie van grafiek SLAM die een flexibelere modellering van sensorruis en beperkingen mogelijk maakt.

* Alleen lokalisatie:

* Monte Carlo-lokalisatie (MCL): Met behulp van een deeltjesfilter wordt de houding van de robot geschat op basis van een bekende kaart.

* AMCL (Adaptieve Monte Carlo-lokalisatie): Een uitbreiding van MCL die het aantal deeltjes kan aanpassen op basis van de onzekerheid in de houding van de robot.

* GPS (Global Positioning System): Voor buitenomgevingen waar GPS-signaal beschikbaar is. Vaak gefuseerd met andere sensoren.

* In kaart brengen:

* Bezettingsraster in kaart brengen: Het bouwen van een probabilistische kaart van de omgeving.

* Op functies gebaseerde toewijzing: Een kaart maken van opvallende kenmerken in de omgeving (bijvoorbeeld hoeken, randen).

* Topologische kartering: De omgeving weergeven als een grafiek van plaatsen en verbindingen daartussen. Handig voor navigatie op hoog niveau.

* Semantische mapping: De kaart uitbreiden met semantische informatie over de objecten en plaatsen in de omgeving (bijvoorbeeld 'keuken', 'tafel', 'persoon').

3. Planning en navigatie: Algoritmen voor het bepalen van het beste pad dat de robot kan volgen om een ​​doel te bereiken.

* Padplanning:

* A* Zoeken: Een grafiekzoekalgoritme dat het kortste pad van een begin naar een doel vindt, met behulp van een heuristiek om de zoekopdracht te begeleiden.

* Dijkstra's algoritme: Nog een grafiekzoekalgoritme dat het kortste pad vindt, maar zonder heuristiek.

* RRT (snel verkennende willekeurige boom): Een algoritme dat een boomstructuur van mogelijke paden bouwt door de configuratieruimte willekeurig te bemonsteren. RRT*, Informed RRT* zijn varianten die de prestaties verbeteren.

* PRM (Probabilistische Roadmap): Een op steekproeven gebaseerd algoritme dat een routekaart van de omgeving samenstelt, die vervolgens kan worden gebruikt om paden tussen twee willekeurige punten te plannen.

* Potentiële velden: Het creëren van een kunstmatig potentieelveld waar het doel aantrekkelijk is en obstakels weerzinwekkend. De robot volgt de helling van het veld.

* Trajectoptimalisatie: Het formuleren van het padplanningsprobleem als een optimalisatieprobleem en het oplossen ervan met behulp van technieken als gradiëntafdaling of sequentiële kwadratische programmering. CHOMP, TrajOpt.

* Bewegingsplanning: Houdt rekening met de dynamiek en beperkingen van de robot (bijvoorbeeld snelheid, versnelling, gewrichtslimieten) bij het plannen van een pad. Maakt vaak gebruik van trajectoptimalisatie.

* Navigatie:

* PID-regeling: Een veelgebruikt besturingsalgoritme voor het reguleren van de beweging van de robot. Proportionele, integrale en afgeleide termen.

* Modelvoorspellende controle (MPC): Een geavanceerde besturingstechniek die het traject van de robot over een eindige horizon optimaliseert, rekening houdend met de dynamiek en beperkingen van de robot.

* Versterkend leren: Het trainen van de robot om met vallen en opstaan ​​in een omgeving te navigeren. Q-learning, Deep Q-Networks (DQN), Proximal Policy Optimization (PPO). Vooral handig voor complexe, dynamische omgevingen.

* Gedragsgebaseerde robotica: Het gedrag van de robot ontwerpen als een verzameling reactieve modules die reageren op verschillende sensorinputs. Subsumptie-architectuur.

* Taakplanning: Planning op een hoger niveau waarbij een complexe taak wordt opgesplitst in een reeks acties. Hiërarchische taaknetwerken (HTN's).

4. Controle: Algoritmen voor het uitvoeren van het geplande pad en het handhaven van de stabiliteit.

* PID-regeling: (Zoals hierboven vermeld, ook gebruikt bij navigatie).

* Feedforward-besturing: Een model van het systeem gebruiken om de vereiste stuurinputs te voorspellen.

* Statusschatting: (Kalman-filters, enz.) Schatten van de interne toestand van de robot (positie, snelheid, enz.) op basis van sensorgegevens. Dit is cruciaal voor feedbackcontrole.

* Forceercontrole: Het beheersen van de krachten die de robot op de omgeving uitoefent. Hybride positie-/krachtcontrole, impedantiecontrole, toegangscontrole. Belangrijk voor manipulatietaken.

* Adaptieve controle: Het in realtime aanpassen van de besturingsparameters om veranderingen in de omgeving of de dynamiek van de robot te compenseren.

* Robuuste controle: Het ontwerpen van regelaars die ongevoelig zijn voor onzekerheden en verstoringen.

* Niet-lineaire controle: Technieken voor het besturen van robots met niet-lineaire dynamiek. Backstepping, glijdende modusbediening.

5. Manipulatie: Algoritmen voor het grijpen, manipuleren en samenstellen van objecten.

* Grijpen:

* Begrijp planning: Bepalen van de beste manier om een ​​object vast te pakken op basis van de vorm en de grijper van de robot.

* Gedwongen sluiting: Ervoor zorgen dat de greep stabiel is en externe krachten kan weerstaan.

* Kwaliteitsstatistieken begrijpen: Het evalueren van de kwaliteit van een greep op basis van factoren zoals stabiliteit, robuustheid en behendigheid.

* Diep leren om te begrijpen: Het trainen van neurale netwerken om greephoudingen rechtstreeks op basis van afbeeldingen of puntenwolken te voorspellen. GraspNet, Dex-Net.

* Bewegingsplanning voor manipulatie:

* Op steekproeven gebaseerde planning: (RRT, PRM) Plan de beweging van de robotarm en vermijd botsingen met de omgeving en het object dat wordt gemanipuleerd.

* Trajectoptimalisatie: Het traject van de robot optimaliseren om het energieverbruik of de uitvoeringstijd te minimaliseren.

* Forceercontrole voor manipulatie: (Zoals hierboven vermeld)

* Montageplanning: Het plannen van de reeks acties die nodig zijn om een ​​complex object samen te stellen.

* Behendige manipulatie: Algoritmen voor het gebruik van meerdere vingers of armen om complexe manipulatietaken uit te voeren.

6. Machine learning en kunstmatige intelligentie:

* Versterkend leren: (Zoals hierboven vermeld)

* Begeleid leren: Trainingsmodellen om robotgedrag te voorspellen of sensorgegevens te classificeren.

* Ongecontroleerd leren: Patronen ontdekken in sensordata zonder gelabelde voorbeelden.

* Diep leren: Het gebruik van diepe neurale netwerken voor perceptie, planning en controle.

* Imitatieleren: Een robot trainen om het gedrag van een menselijke demonstrant na te bootsen.

* Generatieve modellen: Modellen maken die nieuwe gegevens kunnen genereren (bijvoorbeeld afbeeldingen, puntenwolken) voor simulatie of gegevensvergroting. GAN's, VAE's.

* Natuurlijke taalverwerking (NLP): Robots in staat stellen natuurlijke taalopdrachten te begrijpen en erop te reageren.

Belangrijke overwegingen:

* Realtime prestaties: Veel robotica-algoritmen moeten in realtime worden uitgevoerd om bruikbaar te zijn.

* Robuustheid: Algoritmen moeten robuust zijn tegen ruis, onzekerheid en veranderingen in de omgeving.

* Computationele complexiteit: Er moet rekening worden gehouden met de computationele complexiteit van het algoritme, vooral voor robots met beperkte verwerkingskracht.

* Integratie: Verschillende algoritmen moeten met elkaar worden geïntegreerd om een ​​compleet robotsysteem te creëren.

* Simulatie: Simulatie wordt vaak gebruikt om robotica-algoritmen te ontwikkelen en te testen voordat ze op echte robots worden ingezet. Gazebo, V-REP/CoppeliaSim en PyBullet zijn veel voorkomende simulatieomgevingen.

* Frameworks en bibliotheken: ROS (Robot Operating System) is een veelgebruikt raamwerk dat een verzameling tools en bibliotheken biedt voor het ontwikkelen van roboticasoftware. OpenCV (voor computer vision), PCL (Point Cloud Library), TensorFlow, PyTorch (voor machine learning) zijn ook essentieel.

Deze lijst is niet uitputtend, maar geeft een goed overzicht van de belangrijkste algoritmen die in de robotica worden gebruikt. De specifieke algoritmen die in een bepaalde robot worden gebruikt, zijn afhankelijk van de taak, de omgeving en de hardware van de robot. Het vakgebied van de robotica evolueert voortdurend, dus er worden voortdurend nieuwe algoritmen en technieken ontwikkeld.