SLAM (метод)

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.

Переможець змагань DARPA Grand Challenge^[en] — STANLEY^[en], використовував SLAM, як елемент своєї автономної системи водіння.

Мапа створена SLAM-роботом.

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

Дана послідовність даних спостереження сенсору ${\displaystyle o_{t}}$ за дискретні проміжки часу ${\displaystyle t}$, задачею SLAM є розрахувати і визначити розташування агента ${\displaystyle x_{t}}$ і мапу оточення ${\displaystyle m_{t}.}$ Всі величини зазвичай ймовірнісні, тому необхідно обчислити:

${\displaystyle P(m_{t},x_{t}|o_{1:t})}$

Застосування правила Баєса дає основу для послідовного оновлення апостеріорного розташування, при даній мапі і функції переходу ${\displaystyle P(x_{t}|x_{t-1}),}$

${\displaystyle P(x_{t}|o_{1:t},m_{t})=\sum _{m_{t-1}}P(o_{t}|x_{t},m_{t})\sum _{x_{t-1}}P(x_{t}|x_{t-1})P(x_{t-1}|m_{t},o_{1:t-1})/Z.}$

Аналогічно мапа може оновлюватися послідовно наступним шляхом

${\displaystyle P(m_{t}|x_{t},o_{1:t})=\sum _{x_{t}}\sum _{m_{t}}P(m_{t}|x_{t},m_{t-1},o_{t})P(m_{t-1},x_{t}|o_{1:t-1},m_{t-1}).}$

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, 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

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, ${\displaystyle P(m_{t}|x_{t},m_{t-1},o_{t})}$ приймає значення 1, якщо клітини нової карти узгоджені із спостереженням ${\displaystyle o_{t}}$ на позиції ${\displaystyle x_{t}}$ і 0, якщо неузгоджені.

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^[5] (Код для Matlab) [Архівовано 11 червня 2018 у Wayback Machine.]
• GraphSLAM
• Occupancy Grid SLAM^[6]
• DP-SLAM
• Parallel Tracking and Mapping (PTAM) [Архівовано 20 жовтня 2016 у Wayback Machine.]^[7]
• LSD-SLAM^[8] (доступно в відкритому коді)
• ORB-SLAM [Архівовано 27 вересня 2016 у Wayback Machine.]^[9] (доступно в відкритому коді)
• ORB-SLAM2
• MonoSLAM
• CoSLAM [Архівовано 6 квітня 2017 у Wayback Machine.]^[10]
• SeqSlam^[11]

Див. також

• Структура із руху
• Реєстрація зображень
• Neato Robotics
• Комп'ютерне стереобачення
• Tango (platform)^[en]
• Навігація і картографія у робототехніці^[en]

Примітки

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.