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 кінцевий час для певних умов. До популярних методів розв'язування належать фільтр часток[en], розширений фільтр Калмана і GraphSLAM[en].

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 задачіРедагувати

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.

АлгоритмиРедагувати

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. «Bundle adjustment[en]» 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.

КартографуванняРедагувати

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.

РеалізаціяРедагувати

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 SLAMРедагувати

Список відомих реалізацій методів SLAM:

Див. такожРедагувати

ПриміткиРедагувати

  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. Процитовано 2010-07-30. 
  2. Jaulin, L. (2009). A nonlinear set-membership approach for the localization and map building of an underwater robot using interval constraint propagation. IEEE Transactions on Robotics. 
  3. Jaulin, L. (2011). Range-only SLAM with occupancy maps; A set-membership approach. IEEE Transactions on Robotics. 
  4. Cummins, Mark; Newman, Paul (June 2008). FAB-MAP: Probabilistic localization and mapping in the space of appearance. The International Journal of Robotics Research 27 (6): 647–665. doi:10.1177/0278364908090961. Процитовано 23 July 2014. 
  5. Zikos, Nikos; Petridis, Vassilios (2014). 6-DoF Low Dimensionality SLAM (L-SLAM). Journal of Intelligent & Robotic Systems (Springer): 1–18. ISSN 0921-0296. doi:10.1007/s10846-014-0029-6. 
  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). 
  8. J. Engel and T. Schops and D. Cremers (2014). LSD-SLAM: Large-Scale Direct Monocular SLAM. European Conference on Computer Vision (ECCV). 
  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. ISSN 1552-3098. arXiv:1502.00956. doi:10.1109/TRO.2015.2463671. 
  10. D. Zou and P. Tan (2013). CoSLAM: Collaborative Visual SLAM in Dynamic Environments. IEEE Trans. on Pattern Analysis and Machine Intelligence (IEEE). 
  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.