مثال کاربردیِ ترکیبی دیگر: رباتِ نقشهبردار و تشخیص نشتی در یک ساختمان
«ربات، رهروِ راهروهای خاموش است؛
هر حسگرش آینهای از گوشهای از جهان؛
چو آینهها بر هم افتند، نقشه پدید آید؛
و آنجا که مدل بشکند، رازِ نشتی سر برآرد.»
فرض کنید یک رباتِ خودگردان در ساختمانی بزرگ حرکت میکند. این ربات باید همزمان دو کار انجام دهد:
- از اتاقها، راهروها و طبقات، یک نقشهٔ واحد بسازد.
- با استفاده از حسگرهای دما و فشار، محل احتمالیِ نشتیِ لوله را تشخیص دهد.
در این مسئله، فضاهای باز، شِف، جوانه، توابع گویا و حلقههای موضعی
همگی نقش طبیعی و کاربردی پیدا میکنند.
۱. ساختمان به عنوان فضای توپولوژیک
فضای ساختمان را با X نمایش میدهیم.
هر بخش قابل دسترس ساختمان، مانند یک اتاق، راهرو یا پلکان، یک ناحیهٔ باز از این فضا است.
برای نمونه، ربات در سه مرحله سه ناحیه را اسکن میکند:
U1 = corridor
U2 = laboratory
U3 = storage room
این ناحیهها ممکن است همپوشانی داشته باشند؛ مثلاً بخشی از راهرو در اسکنِ آزمایشگاه نیز دیده شود.
همین همپوشانی، کلیدِ پیوند دادنِ نقشههای پراکنده است.
۲. دادههای محلی به منزلهٔ مقاطع یک شِف
ربات در هر ناحیه، دادههایی مانند فاصله تا دیوارها، موقعیت درها، دمای محیط و فشار لولهها را ثبت میکند.
یک مقطع محلی را میتوان چنین نوشت:
si ∈ F(Ui)
در اینجا F(Ui)
مجموعهٔ همهٔ دادههای نقشهایِ معتبر در ناحیهٔ
Ui است.
میتوان این داده را به صورت ترکیبی از نقشه و اندازهگیری حسگرها تصور کرد:
si = (Mi, Ti, Pi)
که در آن:
- Mi: نقشهٔ محلیِ دیوارها، درها و موانع؛
- Ti: تابع دما در ناحیه؛
- Pi: تابع فشار در شبکهٔ لولهکشی.
اگر دو اسکن در منطقهٔ مشترک سازگار باشند، باید پس از محدود کردنشان به اشتراک، یکی شوند:
s1|U1∩U2
=
s2|U1∩U2
به زبان عملی، مختصات یک درِ مشترک، شکل دیوار مشترک، و دادههای حسگر در این بخش نباید ناسازگار باشند.
در صورت سازگاری، خاصیتِ چسباندنِ شِف مقطعی سراسری میسازد:
s ∈ F(U1 ∪ U2 ∪ U3)
این s همان نقشهٔ یکپارچهٔ ساختمان،
همراه با میدان دما و فشار در نواحی پیمایششده است.
کارکرد شِفی:
شِف تضمین میکند که نقشهٔ کلی، وصلهدوزیِ دلبخواهیِ دادهها نباشد؛
بلکه از دادههای محلیِ سازگار، به طور یکتا شکل گیرد.
۳. جوانه: تمرکز بر پیرامونِ محل مشکوک به نشتی
فرض کنید حسگرها در نزدیکی نقطهای به نام
p
افت فشار غیرعادی نشان میدهند. برای تشخیص نشتی، دیگر همهٔ ساختمان موضوع اصلی نیست؛
بلکه رفتار دما و فشار در همسایگی بسیار کوچکِ p اهمیت دارد.
جوانهٔ فشار در نقطهٔ p را با
[P]p نمایش میدهیم.
این جوانه فقط اطلاعاتی را حفظ میکند که در نزدیکی p
معتبر است.
[P]p = germ of pressure function at p
ممکن است دو مدل فشار در راهروهای دوردست تفاوت داشته باشند، اما اگر در یک همسایگی از
p یکسان باشند، از منظر تشخیص محلی نشتی
یک جوانه را تعیین میکنند.
پس جوانه میگوید:
برای فهم حادثه در این نقطه، تنها آنچه نزدیکِ این نقطه رخ میدهد معتبر است.
۴. مدل گویا برای افت فشار
برای سادگی، مختصات محلی را طوری انتخاب کنید که محل احتمالی نشتی در مبدأ باشد.
یک مدل گویا برای فشار میتواند چنین باشد:
P(x,y) = P0 − A / (1 + x² + y²)
در این فرمول:
- P0 فشار معمول شبکه است؛
- A شدت افت فشارِ ناشی از نشتی است؛
- (x,y) فاصلهٔ موضعی از محل مورد بررسی را نشان میدهد.
در نقطهٔ مبدأ، یعنی p=(0,0)، داریم:
P(0,0) = P0 − A
مخرج تابع در مبدأ برابر ۱ است و صفر نمیشود؛ پس مدل فشار در همسایگی نقطهٔ مشکوک منظم است:
P ∈ OX,p
یعنی این تابع یک عنصر از حلقهٔ موضعی در p است:
مدلی که در اطراف نقطهٔ مورد مطالعه قطب ندارد و قابل تحلیل است.
۵. قطب مدل و هشدارِ اعتبارسنجی
اکنون مدلی نادرست یا بیش از حد سادهشده را فرض کنید:
Q(x,y) = B / (x² + y²)
این تابع در مبدأ تعریف نشده است، چون:
x² + y² = 0 when (x,y) = (0,0)
پس:
Q ∉ OX,p
این امر لزوماً به معنای «بینهایت بودن واقعی فشار» نیست؛ بلکه غالباً نشان میدهد که
مدل ریاضی در خودِ نقطهٔ نشتی شکسته است و باید با مدلی منظمتر، دادهٔ تجربی دقیقتر،
یا یک توصیف فیزیکی مناسبتر جایگزین شود.
نکتهٔ مهم:
تکینگی در یک مدل، همیشه تکینگی در واقعیت نیست.
گاه طبیعت آرام است، اما فرمولِ ما تابِ دیدنِ آن نقطه را ندارد.
۶. ایدهآل ماکسیمال و مرز هشدار
آستانهٔ ایمنیِ فشار را با Psafe
نشان دهید و تابع خطر را تعریف کنید:
r(x,y) = P(x,y) − Psafe
هرگاه r(p)=0 باشد،
فشار در نقطهٔ p دقیقاً روی مرز ایمنی قرار دارد.
در این صورت، جوانهٔ r در ایدهآل ماکسیمالِ حلقهٔ موضعی قرار میگیرد:
[r]p ∈ mp
اگر علاوه بر آن، تغییرات مرتبهٔ اول فشار نیز بسیار کوچک باشند، ربات نمیتواند تنها با یک اندازهگیری
جهتِ دقیق محل نشتی را تشخیص دهد؛ در اینجا باید حسگرهای بیشتری فعال شوند و نمونهبرداری در همسایگیهای
کوچکتر ادامه یابد.
نقشهٔ مفهومیِ مثال
| مفهوم | تعبیر در سامانهٔ رباتیک |
|---|---|
| فضای X | فضای داخلیِ ساختمان |
| ناحیههای باز Uᵢ | اتاقها، راهروها و بخشهای اسکنشده |
| مقاطع محلی sᵢ | نقشه و دادههای حسگر در هر بخش |
| شرط توافق | سازگاریِ نقشهها و حسگرها در ناحیههای همپوشان |
| شِف | تبدیل نقشههای محلیِ سازگار به یک نقشهٔ سراسری |
| جوانه در p | رفتار فشار و دما در مجاورت محل مشکوک |
| حلقهٔ موضعی OX,p | مدلهای منظم و قابل استفاده در نزدیکی نقطهٔ نشتی |
| ایدهآل ماکسیمال mp | توابعی که در نقطهٔ حساس صفر میشوند؛ مانند مرز هشدار فشار |
جمعبندی:
ربات از ناحیههای کوچک آغاز میکند، دادههای همپوشان را میسنجد، و با منطق شِفی آنها را به نقشهای واحد میدوزد.
آنگاه در نقطهٔ مشکوک، با زبان جوانه، جهان را تا اندازهٔ یک همسایگی فرو میکاهد؛
و با حلقهٔ موضعی میپرسد: «کدام مدلها در این نزدیکی منظماند و کدام مدلها در نقطه میشکنند؟»
اینجا هندسهٔ جبری نه گریز از واقعیت، بلکه نظمی برای دیدنِ واقعیتِ موضعی و پیوند دادن آن با کلّ ساختمان است.
در این وبلاگ به ریاضیات و کاربردهای آن و تحقیقات در آنها پرداخته می شود. مطالب در این وبلاگ ترجمه سطحی و اولیه است و کامل نیست.در صورتی سوال یا نظری در زمینه ریاضیات دارید مطرح نمایید .در صورت امکان به آن می پردازم. من دوست دارم برای یافتن پاسخ به سوالات و حل پروژه های علمی با دیگران همکاری نمایم.در صورتی که شما هم بامن هم عقیده هستید با من تماس بگیرید.