Samtidig lokalisering och kartläggning

Som SLAM ( engelsk samtidig lokalisering och kartläggning ; tysk  samtidig positionsbestämning och kartläggning ) är en robotikprocess där en mobil robot samtidigt måste skapa en karta över sin omgivning och uppskatta sin rumsliga position inom denna karta. Den används för att känna igen hinder och stöder därmed autonom navigering .

Uppgift

Ett av de grundläggande problemen med en mobil robot är att orientera sig, det vill säga veta hur dess miljö ser ut och var den är (absolut). För detta ändamål är roboten utrustad med olika sensorer, såsom ultraljud , kameror eller lidar , med hjälp av vilken dess omgivning spelas in i tre dimensioner. Detta gör det möjligt för en robot att röra sig lokalt, känna igen hinder i god tid och undvika dem. Vidare, om robotens absoluta position är känd, t.ex. B. från ytterligare GPS- sensorer kan en karta byggas. Roboten mäter den relativa positionen för möjliga hinder mot den och kan sedan använda sin kända position för att bestämma den absoluta positionen för hinder som sedan matas in på kartan.

Utmaningen på SLAM

Utforskningen av en okänd miljö och orientering i den görs intuitivt av oss människor. Via våra sensoriska organ: ögon, hud, öron och näsa får vi information i form av stimuli från vår omedelbara miljö. Denna information kombineras i vår hjärna och bearbetas för att bestämma positionen och karakterisera vår omgivning. Medvetet eller omedvetet känner vi igen särskiljningsegenskaper som vi länkar till ett rumsligt förhållande för att få en abstrakt uppfattning om en platsplan, med hjälp av, beroende på uppgift och destination, vi kan navigera.

På samma sätt som människor bör detta också uppnås med mobila system. Utan förkunskaper bör positionen och orienteringen härledas från data från sensorer som är integrerade i en mobil systemenhet, samtidigt som miljön kartläggs med enkla tredimensionella punkter eller mer komplexa konstruktioner. Processen för att skapa en karta kallas kartläggning och erkännandet av positionen för en mobil systemenhet kallas självlokalisering .

En stor utmaning för sådana system är att en motsvarande detaljerad karta krävs för en exakt positionsbestämning och att den exakta positionen för den mobila systemenheten måste vara känd för att generera en detaljerad karta. Av detta blir det tydligt att dessa två krav, kartläggning och självlokalisering, inte kan lösas oberoende av varandra. SLAM är därför ett kyckling- och äggproblem , eftersom varken kartan eller positionen är känd, utan snarare bör dessa uppskattas samtidigt.

Ansökan

För många platser där mobila robotar används finns det inga kartor och heller ingen möjlighet att bestämma den absoluta positionen, t.ex. B. via GPS . Utan SLAM måste ett kort skapas före utplaceringen, vilket kan fördröja utplaceringen och göra det dyrare. Beroende på applikationsområdet är det därför viktigt att en robot kan utforska en ny miljö självständigt och skapa en karta som den sedan kan använda senare för navigering.

SLAM-metoden är ett aktivt forskningsområde inom robotik och datorsyn , som ett flertal forskargrupper runt om i världen arbetar med. Till exempel Mars landning fordon av NASA: s Mars Exploration Rover " Spirit " och " Opportunity " är mission drivs med sådana metoder.

närmar sig

Det finns många olika tillvägagångssätt, med några grundläggande likheter. Eftersom en robot normalt bara kan se en del av miljön, byggs kartan upp stegvis : initialt finns det ingen karta och robotens position definierar ursprunget till dess koordinatsystem. Detta innebär att robotens absoluta position är trivialt känd och att den första mätningen av miljön kan anges direkt på kartan. Sedan rör sig roboten och mäter omgivningen igen. Om roboten inte har rört sig för långt kommer den igen att mäta en del av den redan kända miljön, men också ett tidigare okänt område för första gången. Robotens rörelse kan beräknas utifrån överlappningen av den nya mätningen med den tidigare kartan, så att den absoluta positionen är känd igen och den nya mätningen därmed också kan integreras i kartan. I denna procedur utvidgas kartan stegvis tills hela området har undersökts.

Eftersom bestämningen av robotens rörelse mellan två mätningar aldrig är exakt, kommer den beräknade positionen för roboten att fortsätta att avvika från den verkliga, vilket också kommer att minska kvaliteten på kartan. Så att kartan förblir konsekvent, måste algoritmen kunna känna igen när en känd del av miljön mäts igen ( loopstängning ).

SLAM-procedur

Lösningen av SLAM kräver lösningen på dataföreningens problem, dvs. Med andra ord måste det bestämmas vilka (miljö) funktioner som motsvarar. Detta problem är särskilt svårt eftersom funktioner inte kan extraheras med absolut säkerhet. Skanningsmatchningsprocesser kräver inga funktioner, eftersom de tar hänsyn till hela skanningar eller pekmoln och sedan använder grafbaserade tekniker.

litteratur

  • Andreas Nüchter: 3D-robotkartläggning . Springer-Verlag GmbH, Berlin 2009, ISBN 978-3-540-89883-2 (Springer Tracts in Advanced Robotics).
  • Cyrill Stachniss: Robotic Mapping and Exploration . Springer-Verlag GmbH, Berlin 2009, ISBN 978-3-642-01096-5 (Springer Tracts in Advanced Robotics).
  • Sebastian Thrun , Wolfram Burgard , Dieter Fox: Probabilistic Robotics . The Mit Press, 2005, ISBN 978-0-262-20162-9 .
  • Michael Montemerlo, Sebastian Thrun : FastSLAM: En skalbar metod för samtidig lokalisering och kartläggning av problem inom robotik . Springer Verlag, 2007, ISBN 3-540-46399-2 .
  • Austin Eliazar, Ronald Parr: DP-SLAM: Snabb, robust samtidigt lokalisering och kartläggning utan förutbestämda landmärken . 2003.
  • F. Lu, E. Milios: Globalt konsekvent områdesskanningsjustering för miljökartläggning . I: Autonoma robotar . 1997.
  • Dorit Borrmann, Jan Elseberg, Kai Lingemann, Andreas Nüchter, Joachim Hertzberg.: Globalt konsekvent 3D-kartläggning med skanningsmatchning . I: Journal of Robotics and Autonomous Systems (JRAS) . Elsevier Science, 2008 ( PDF ).
  • Giorgio Grisetti, Cyrill Stachniss, Wolfram Burgard: Improved Techniques for Grid Mapping with Rao-Blackwellized Particle Filters . I: IEEE-transaktioner på robotik . 2007 ( PDF ).
  • Giorgio Grisetti, Cyrill Stachniss, Wolfram Burgard: Icke-linjär begränsningsnätverksoptimering för effektiv kartinlärning . I: IEEE-transaktioner på intelligenta transportsystem . 2009 ( PDF ).
  • Udo Frese, Per Larsson, Tom Duckett: A Multilevel Relaxation Algorithm for Simultaneous Localization and Mapping . I: IEEE-transaktioner på robotik . 2005.
  • Frank Dellaert: Square Root SAM (utjämning och kartläggning) . I: Robotics: Science and Systems . 2005.

webb-länkar