SLAM (метод)

Матеріал з Вікіпедії — вільної енциклопедії.
Перейти до навігації Перейти до пошуку
Переможець змагань DARPA Grand Challenge[en] — STANLEY[en], використовував SLAM, як елемент своєї автономної системи водіння.
Мапа створена SLAM-роботом.

При розв'язуванні задач навігації і картографії у робототехніці, одночасна локалізація і картографування (англ. simultaneous localization and mapping — SLAM) є алгоритмічною обчислювальною задачею побудови і оновлення мапи невідомого оточення з одночасним відстежуванням місцеположення рухаючись по ньому. Хоча це схоже на задачу «курка чи яйце?», існує декілька алгоритмів, що розв'язують її, щонайменше приблизно, в скінченний час для певних умов. До популярних методів розв'язування належать фільтр часток[en], розширений фільтр Калмана і GraphSLAM.

Алгоритми SLAM обмежуються наявними ресурсами, таким чином не можуть бути абсолютно досконалими, бо досягають оперативної доступності. Опубліковані методи і підходи реалізовані в безпілотних автомобілях, безпілотних літаючих засобах, автономних підводних апаратах, планетоходах, згодом виникли в побутових роботах і навіть всередині людського тіла.[1]

Постановка задачі

[ред. | ред. код]

Дана послідовність даних спостереження сенсору за дискретні проміжки часу , задачею SLAM є розрахувати і визначити розташування агента і мапу оточення Всі величини зазвичай ймовірнісні, тому необхідно обчислити:

Застосування правила Баєса дає основу для послідовного оновлення апостеріорного розташування, при даній мапі і функції переходу

Аналогічно мапа може оновлюватися послідовно наступним шляхом

Як для більшості задач наближення, рішення можна знайти при наближенні двох змінних, до локального оптимального рішення, шляхом почергового оновлення двох рівнянь у формі ЕМ-алгоритму.

Алгоритми

[ред. | ред. код]

До статистичних методів, що використовуються для задач апроксимації наведених вище, належать: фільтр Калмана, фільтр часток[en] (який є методом Монте-Карло) і узгоджене сканування діапазонних даних. Вони дозволяють визначити оцінку функції апостеріорної ймовірності для позиції робота і параметрів мапи. Техніки оцінювання приналежності до множини[en] в основному засновуються на поширенні сталого інтервалу[en].[2][3] Вони забезпечують множину, яка містить позицію робота і множину апроксимації мапи. Налаштування пучка є наступною популярною технікою у SLAM, який використовує дані зображень поєднані з оцінками розташування робота і орієнтирів на місцевості, тим самим підвищуючи точність мапи. Вона використовується в комерційних SLAM системах, таких як Проект Tango [Архівовано 16 березня 2014 у Wayback Machine.] компанії Google.

Нові алгоритми SLAM досі потребують активного дослідження і пошуку, і часто обумовлені різними вимогами і припущеннями щодо типів карт, давачів і моделей. Більшість SLAM систем можна розглядати як комбінації виборів кожного з цих аспектів.

Картографування

[ред. | ред. код]

Побудова топологічних мап це метод представлення довколишнього світу, який узагальнює структуру (тобто, топологію) оточення замість створення геометрично точної мапи. Топологічні методи SLAM використовуються для підвищення загальної узгодженості метричних алгоритмів SLAM.[4]

На противагу тому, для топологічного представлення світу існують мапи у вигляді поверхонь, які використовують масиви оцифрованих елементів (зазвичай квадратних, або гексагональних клітин), і роблять припущення яка клітина зайнята в конкретний момент. Зазвичай клітини вважаються статистично незалежними, аби спростити обчислення. Згідно цього припущення, приймає значення 1, якщо клітини нової карти узгоджені із спостереженням на позиції і 0, якщо неузгоджені.

Реалізація

[ред. | ред. код]

Різноманітні алгоритми SLAM реалізовані у відкритих бібліотеках Robot Operating System, які часто використовуються з Point Cloud Library для побудови 3D карт або візуальних ефектів у OpenCV.

Список методів SLAM

[ред. | ред. код]

Список відомих реалізацій методів SLAM:

Див. також

[ред. | ред. код]

Примітки

[ред. | ред. код]
  1. Mountney, P.; Stoyanov, D.; Davison, A.; Yang, G-Z. (2006). Simultaneous Stereoscope Localization and Soft-Tissue Mapping for Minimal Invasive Surgery. MICCAI. 1: 347—354. doi:10.1007/11866565_43. Архів оригіналу за 12 січня 2017. Процитовано 30 липня 2010.
  2. Jaulin, L. (2009). A nonlinear set-membership approach for the localization and map building of an underwater robot using interval constraint propagation (PDF). IEEE Transactions on Robotics. Архів оригіналу (PDF) за 5 жовтня 2016. Процитовано 3 жовтня 2016.
  3. Jaulin, L. (2011). Range-only SLAM with occupancy maps; A set-membership approach (PDF). IEEE Transactions on Robotics. Архів оригіналу (PDF) за 5 жовтня 2016. Процитовано 3 жовтня 2016.
  4. Cummins, Mark; Newman, Paul (June 2008). FAB-MAP: Probabilistic localization and mapping in the space of appearance (PDF). The International Journal of Robotics Research. 27 (6): 647—665. doi:10.1177/0278364908090961. Архів оригіналу (PDF) за 12 травня 2014. Процитовано 23 липня 2014.
  5. Zikos, Nikos; Petridis, Vassilios (2014), 6-DoF Low Dimensionality SLAM (L-SLAM), Journal of Intelligent & Robotic Systems, Springer: 1—18, doi:10.1007/s10846-014-0029-6, ISSN 0921-0296
  6. Thrun, S.; Burgard, W.; Fox, D. (2005). Probabilistic Robotics. Cambridge: The MIT Press. ISBN 0-262-20162-3.
  7. G. Klein and D. Murray (2007). Parallel Tracking and Mapping for Small AR Workspaces. International Symposium on Mixed and Augmented Reality (ISMAR). Архів оригіналу (PDF) за 6 грудня 2016. Процитовано 4 жовтня 2016.
  8. J. Engel and T. Schops and D. Cremers (2014). LSD-SLAM: Large-Scale Direct Monocular SLAM (PDF). European Conference on Computer Vision (ECCV). Архів оригіналу (PDF) за 22 жовтня 2014. Процитовано 4 жовтня 2016.
  9. R. Mur-Artal and J. M. M. Montiel and J. D. Tardós (2015). ORB-SLAM: A Versatile and Accurate Monocular SLAM System. IEEE Transactions on Robotics. 31 (5): 1147—1163. arXiv:1502.00956. doi:10.1109/TRO.2015.2463671. ISSN 1552-3098.
  10. D. Zou and P. Tan (2013). CoSLAM: Collaborative Visual SLAM in Dynamic Environments (PDF). IEEE Trans. on Pattern Analysis and Machine Intelligence. IEEE. Архів оригіналу (PDF) за 5 липня 2016. Процитовано 4 жовтня 2016.
  11. Michael J. Milford and Gordon. F. Wyeth. SeqSLAM: Visual Route-Based Navigation for Sunny Summer Days and Stormy Winter Nights. Proc. of Intl. Conf. on Robotics and Automation.