បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាប្រឈមក្នុងការកំណត់ទីតាំងតាមពេលវេលាជាក់ស្តែងនៅក្នុងព្រៃដោយសារតែការធ្លាក់ចុះនៃសញ្ញា GNSS និងស្ថានភាពបរិស្ថានដែលមិនមានរចនាសម្ព័ន្ធច្បាស់លាស់ ដែលជាឧបសគ្គដ៏ធំសម្រាប់ស្វ័យប្រវត្តិកម្មព្រៃឈើ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានស្នើឡើងនូវវិធីសាស្រ្តកំណត់ទីតាំង និងធ្វើផែនទីក្នុងពេលតែមួយ (SLAM) ដោយផ្អែកលើការបញ្ចូលគ្នានូវទិន្នន័យ Lidar និង Inertial ដើម្បីបង្កើតការប៉ាន់ស្មានទីតាំងប្រកបដោយភាពសុក្រឹតខ្ពស់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Real-time Lidar-Inertial SLAM (Proposed) ការកំណត់ទីតាំង និងធ្វើផែនទី Lidar-Inertial តាមពេលវេលាជាក់ស្តែង (វិធីសាស្ត្រស្នើឡើង) |
ដំណើរការបានលឿនក្នុងពេលវេលាជាក់ស្តែង (ក្រោម 100ms ក្នុងមួយបច្ចុប្បន្នភាព) និងរក្សាបាននូវភាពសុក្រឹតខ្ពស់នៅក្នុងតំបន់ព្រៃដែលគ្មានសញ្ញា GNSS។ | កម្រិតនៃភាពត្រឹមត្រូវអាចធ្លាក់ចុះបន្តិចបន្តួចនៅពេលគន្លងកាន់តែវែង ដោយសារគ្មានយន្តការកែតម្រូវជាសកល (Global correction) និងពឹងផ្អែកលើការកំណត់ដង់ស៊ីតេនៃផែនទីមូលដ្ឋាន។ | សម្រេចបានកម្រិតលម្អៀង (RMSE) ត្រឹមតែ 2 ទៅ 15 សង់ទីម៉ែត្រប៉ុណ្ណោះ លើចម្ងាយផ្លូវពី 100 ទៅ 280 ម៉ែត្រ។ |
| Standalone GNSS Positioning ការកំណត់ទីតាំងដោយប្រើប្រាស់ GNSS តែមួយមុខ |
ងាយស្រួលក្នុងការដំឡើង និងផ្តល់ទីតាំងជាសកលនៅកន្លែងដែលមានទីវាលស្រឡះល្អ។ | សញ្ញាធ្លាក់ចុះយ៉ាងខ្លាំង និងមានភាពលម្អៀងខ្ពស់ (ជាមធ្យម 0.7 ម៉ែត្រ ឬអាក្រក់ជាងនេះ) នៅក្រោមម្លប់ដើមឈើក្រាស់ ដែលមិនស័ក្តិសមសម្រាប់ស្វ័យប្រវត្តិកម្មព្រៃឈើ។ | គន្លងដែលប៉ាន់ស្មានដោយ GNSS ដើរគន្លាតឆ្ងាយពីគន្លងយោង (បង្ហាញជាក់ស្តែងក្នុងទិន្នន័យ Evo1002)។ |
| TLS/ULS with ICP Matching (Reference) ការស្កេនឡាស៊ែរលើដី/អាកាស (TLS/ULS) ជាមួយក្បួនដោះស្រាយ ICP (ប្រើជាឯកសារយោង) |
ផ្តល់នូវពពកចំណុច (Point cloud) និងគន្លងយោង (Ground truth trajectory) ដែលមានភាពសុក្រឹត និងគុណភាពខ្ពស់បំផុត។ | ទាមទារការគណនាក្រោយពេលប្រមូលទិន្នន័យ (Offline post-processing) និងមិនអាចដំណើរការតាមពេលវេលាជាក់ស្តែងបានទេ។ | ត្រូវបានប្រើប្រាស់ជាទិន្នន័យគោលដើម្បីប្រៀបធៀប និងវាស់ស្ទង់ភាពត្រឹមត្រូវនៃប្រព័ន្ធ SLAM ដែលបានស្នើឡើង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានបញ្ជាក់យ៉ាងច្បាស់អំពីឧបករណ៍រឹង និងផ្នែកទន់កម្រិតខ្ពស់ដែលត្រូវការសម្រាប់ដំណើរការប្រព័ន្ធ SLAM នេះក្នុងពេលវេលាជាក់ស្តែង។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងតំបន់ព្រៃស្រល់សិប្បនិម្មិត (Managed boreal forest) ក្នុងប្រទេសហ្វាំងឡង់ ដែលមានដើមឈើដុះមានសណ្តាប់ធ្នាប់ និងមិនសូវមានគុម្ពោតព្រៃក្រាស់។ សម្រាប់ប្រទេសកម្ពុជា ដែលភាគច្រើនជាព្រៃត្រូពិច (Tropical forest) មានរុក្ខជាតិដុះក្រាស់ និងវល្លិស៊ុបទ្រុប លទ្ធផលនៃការប្រើប្រាស់ Lidar អាចប្រឈមនឹងការសាយភាយនៃពន្លឺ (Beam divergence) និងការរំខាន (Noise) ខ្ពស់ជាងនេះ ដែលទាមទារឱ្យមានការកែតម្រូវក្បួនដោះស្រាយបន្ថែម។
ទោះបីជាបរិស្ថានព្រៃឈើខុសគ្នាក៏ដោយ បច្ចេកវិទ្យានេះមានសក្តានុពលខ្ពស់សម្រាប់អនុវត្តនៅកម្ពុជា ពិសេសក្នុងការគ្រប់គ្រងធនធានធម្មជាតិ និងកសិកម្មទំនើប។
ជារួម បច្ចេកវិទ្យានេះអាចផ្លាស់ប្តូររបៀបវាយតម្លៃ និងគ្រប់គ្រងព្រៃឈើនៅកម្ពុជាពីការចុះវាស់ដោយផ្ទាល់ដៃ ទៅជាប្រព័ន្ធស្វ័យប្រវត្តិដែលមានភាពសុក្រឹតខ្ពស់ សន្សំសំចៃពេលវេលា និងកាត់បន្ថយកំហុសរបស់មនុស្ស។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Simultaneous Localization and Mapping (SLAM) | វាគឺជាបច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យមនុស្សយន្ត ឬកុំព្យូទ័រអាចបង្កើតផែនទីនៃបរិស្ថានដែលវាមិនធ្លាប់ស្គាល់ ព្រមទាំងអាចកំណត់ទីតាំងរបស់ខ្លួនឯងនៅក្នុងផែនទីនោះក្នុងពេលតែមួយ។ នៅក្នុងការស្រាវជ្រាវនេះ វាជួយកត់ត្រាគន្លងផ្លូវដើរ និងបង្កើតផែនទី 3D ក្នុងព្រៃទោះគ្មានសញ្ញា GPS ក៏ដោយ។ | ដូចជាការដើរចូលទៅក្នុងផ្ទះងងឹតមួយដែលយើងមិនធ្លាប់ស្គាល់ រួចយើងយកដៃស្ទាបជញ្ជាំងដើម្បីគូសប្លង់ផ្ទះនោះក្នុងខួរក្បាលបណ្ដើរ និងដឹងថាយើងកំពុងឈរនៅត្រង់ណាបណ្ដើរ។ |
| Lidar | ជាឧបករណ៍សេនស័រ (Sensor) ដែលបាញ់ពន្លឺឡាស៊ែររាប់លានគ្រាប់ទៅប៉ះវត្ថុជុំវិញខ្លួន រួចវាស់រយៈពេលដែលពន្លឺនោះលោតត្រឡប់មកវិញ ដើម្បីគណនាចម្ងាយ និងបង្កើតជារូបភាព 3D នៃបរិស្ថានជុំវិញយ៉ាងសុក្រឹត។ | ដូចជាសត្វប្រចៀវបញ្ចេញសំឡេងងឹតៗទៅប៉ះជញ្ជាំង ឬដើមឈើ រួចស្តាប់សូរត្រឡប់មកវិញ ដើម្បីដឹងថាមានឧបសគ្គនៅខាងមុខចម្ងាយប៉ុន្មាន។ |
| Inertial Measurement Unit (IMU) | ជាឧបករណ៍អេឡិចត្រូនិចដែលវាស់ស្ទង់កម្លាំងសន្ទុះ (Acceleration) និងល្បឿននៃការបង្វិល (Angular velocity) របស់វត្ថុមួយ។ នៅក្នុងឯកសារនេះ វាជួយប៉ាន់ស្មានចលនារបស់ឧបករណ៍នៅចន្លោះពេលដែល Lidar កំពុងបង្វិលស្កេន ដើម្បីរក្សាលំនឹងទិន្នន័យ។ | ដូចជាសរីរាង្គក្នុងត្រចៀករបស់មនុស្សយើង ដែលជួយរក្សាលំនឹង និងប្រាប់យើងថាយើងកំពុងងាកក្បាល លោតឡើង ឬរត់ទៅមុខ ទោះបីជាយើងបិទភ្នែកក៏ដោយ។ |
| Normal Distributions Transform (NDT) | ជាក្បួនដោះស្រាយគណិតវិទ្យាមួយសម្រាប់យកទិន្នន័យស្កេនថ្មី (Scan registration) ទៅផ្គូផ្គងជាមួយផែនទីដែលមានស្រាប់ ដោយបំប្លែងចំណុចទិន្នន័យទៅជាបណ្ដុំនៃក្រឡាគិតជាប្រូបាប៊ីលីតេ ដើម្បីឱ្យកុំព្យូទ័រគណនាបានលឿនជាងមុន និងដំណើរការបានតាមពេលវេលាជាក់ស្តែង (Real-time)។ | ដូចជាការយកបំណែករូបភាព (Puzzle) ថ្មីមួយទៅផ្គុំចូលនឹងផ្ទាំងរូបភាពដែលយើងកំពុងផ្គុំស្រាប់ ដោយមើលតាមរាង និងពណ៌ឱ្យស៊ីគ្នាតាមក្រឡានីមួយៗយ៉ាងរហ័ស។ |
| Factor graphs | ជាបណ្ដាញក្រាហ្វគណិតវិទ្យាដែលប្រើប្រាស់ដើម្បីដោះស្រាយបញ្ហាកំណត់ទីតាំង ដោយវាធ្វើការប្រមូល និងផ្ទៀងផ្ទាត់ទិន្នន័យពីប្រភពច្រើន (ដូចជា Lidar និង IMU) បញ្ចូលគ្នា ដើម្បីកាត់បន្ថយកំហុស និងធ្វើឱ្យការប៉ាន់ស្មានទីតាំងកាន់តែមានភាពត្រឹមត្រូវ។ | ដូចជាការសួរនាំសាក្សីច្រើននាក់អំពីព្រឹត្តិការណ៍មួយ រួចយកចម្លើយទាំងនោះមកផ្ទៀងផ្ទាត់គ្នារកចំណុចរួម ដើម្បីរកឱ្យឃើញការពិតដែលត្រឹមត្រូវបំផុត។ |
| Loop closure | ជានីតិវិធីនៅក្នុងប្រព័ន្ធ SLAM ដែលអាចចាប់សញ្ញាដឹងថាមនុស្សយន្តបានវិលត្រឡប់មកកន្លែងចាស់ដែលវាធ្លាប់បានកត់ត្រារួចម្ដងទៀត។ ការធ្វើបែបនេះជួយកែតម្រូវកំហុសនៃការវាស់វែងដែលបានកើនឡើងបន្តិចម្ដងៗតាមផ្លូវ (Drift) ឱ្យត្រឡប់មកត្រឹមត្រូវវិញទាំងស្រុង។ | ដូចជាការដើរវង្វេងក្នុងព្រៃ ប៉ុន្តែស្រាប់តែយើងប្រទះឃើញដើមឈើធំមួយដែលយើងបានគូសសញ្ញាសម្គាល់កាលពីប៉ុន្មានម៉ោងមុន ដែលធ្វើឱ្យយើងដឹងច្បាស់ពីទីតាំងបច្ចុប្បន្នរបស់យើងភ្លាមៗ។ |
| Point cloud | ជាបណ្តុំនៃចំណុចទិន្នន័យរាប់លាននៅក្នុងលំហ 3D (មានអ័ក្ស X, Y, Z) ដែលចំណុចនីមួយៗតំណាងឱ្យផ្ទៃនៃវត្ថុដែលឧបករណ៍ Lidar បានស្កេនប៉ះ។ វាត្រូវបានប្រើដើម្បីសាងសង់ជារូបរាងដើមឈើ ឬដីនៅក្នុងម៉ាស៊ីនកុំព្យូទ័រ។ | ដូចជាការយកគ្រាប់ខ្សាច់តូចៗរាប់លានគ្រាប់ទៅបាចឱ្យទាក់ជាប់លើផ្ទៃរបស់វត្ថុមួយ រួចយើងអាចមើលឃើញរូបរាងនៃវត្ថុនោះតាមរយៈការផ្តុំគ្នានៃគ្រាប់ខ្សាច់ទាំងនោះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
