При розв'язуванні задач навігації і картографії у робототехніці, одночасна локалізація і картографування ( — 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 , 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.
Постановка задачі
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
До статистичних методів, що використовуються для задач апроксимації наведених вище, належать: фільтр Калмана, (який є методом Монте-Карло) і узгоджене сканування діапазонних даних. Вони дозволяють визначити оцінку функції апостеріорної ймовірності для позиції робота і параметрів мапи. в основному засновуються на . 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 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
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.
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.
Давачі Методи SLAM можуть поєднувати дані кількох типів давачів, а їхні можливості та обмеження значною мірою визначають будову алгоритму. Лазерні далекоміри та лідари формують набори відстаней або тривимірні хмари точок. Камери дають зображення, з яких виділяють характерні точки, лінії та інші візуальні ознаки. Інерціальні вимірювальні модулі оцінюють прискорення й кутову швидкість та допомагають відстежувати швидкі переміщення між кадрами. Дані колісної одометрії корисні для наземних роботів, але накопичують похибку через проковзування та нерівності поверхні. Ультразвукові та радарні давачі застосовують у середовищах, де оптичні або лазерні вимірювання ненадійні. Моделі спостережень поділяють на методи, що використовують впізнавані орієнтири, і методи, які зіставляють необроблені дані без явного виділення орієнтирів. Візуальний SLAM став поширеним завдяки доступності камер і розвитку локальних ознак, зокрема SIFT. Поєднання камери з інерціальним модулем називають візуально-інерціальним SLAM; така комбінація компенсує частину слабких сторін кожного окремого давача. Вибір сенсорів залежить від освітлення, масштабу простору, швидкості руху, необхідної точності та обчислювальних обмежень системи.
Реалізація 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
Список відомих реалізацій методів SLAM: EKF SLAM FastSLAM 1.0 FastSLAM 2.0 L-SLAM (Код для Matlab) GraphSLAM Occupancy Grid SLAM DP-SLAM Parallel Tracking and Mapping (PTAM) LSD-SLAM (доступно в відкритому коді) ORB-SLAM (доступно в відкритому коді) ORB-SLAM2 MonoSLAM CoSLAM SeqSlam
Див. також Структура із руху Реєстрація зображень Neato Robotics Комп'ютерне стереобачення
Примітки