Le SLAM (Simultaneous Localization and Mapping) est une technologie qui permet aux robots ou à d'autres appareils d'établir des cartes et de déterminer leur position dans des environnements inconnus en temps réel grâce à des mesures effectuées par des capteurs. Avec le développement des capteurs et des algorithmes, la technologie SLAM a évolué vers une variété d'implémentations, y compris le SLAM laser, le SLAM vision, le SLAM fusion rayon-vision et le SLAM multi-capteurs.
Sources du problème SLAM
La technologie de navigation autonome est une technologie clé pour les robots, et les robots doivent résoudre les trois problèmes suivants afin de réaliser la navigation autonome :
📢 : 1. où suis-je ?
📢 : 2. où aller ?
📢 : 3. Comment s'y rendre ?
La première de ces questions est à la base des deux autres, et si l'on ne sait même pas où l'on se trouve, comment peut-on déterminer la direction à prendre ? Et le SLAM est l'une des solutions pour résoudre le premier problème.
En 1887, Smith et al. ont proposé une méthode de localisation et de cartographie simultanées, qui a ouvert la voie à l'étude de la localisation et de la construction de cartes simultanées.
D'une manière générale, les systèmes SLAM contiennent plusieurs capteurs et plusieurs modules fonctionnels. Selon les modules fonctionnels de base, les systèmes SLAM courants pour les robots se présentent sous deux formes : Le SLAM basé sur le LIDAR (Laser SLAM) et le SLAM basé sur la vision (Visual SLAM ou VSLAM). Nous sommes un fabricant de robots et nous fournissons à nos clients des services de conception de robots, de R&D, de SMT et de production de masse.
Relation entre le positionnement et la construction de la carte
Dans un environnement inconnu, un positionnement précis et l'élaboration de cartes nécessitent des cartes précises, l'établissement de cartes précises et le positionnement précis forment une sorte de couplage mutuel, une relation complémentaire.
1. Lidar SLAM
Le SLAM laser est un système qui s'appuie sur le LiDAR (radar laser) pour générer des nuages de points en 3D par balayage laser des obstacles, du terrain et des objets dans l'environnement pour une localisation et une cartographie de haute précision. Le SLAM laser est largement utilisé dans des applications telles que la robotique, les voitures sans conducteur et les scanners de terrain.
📢 : Le SLAM laser est découplé des méthodes de localisation antérieures basées sur la télémétrie (par exemple, la télémétrie ultrasonique et infrarouge à point unique). L'émergence et la popularisation du LIDAR (Light Detection And Ranging) ont permis d'obtenir des mesures plus rapides, plus précises et plus informatives. Les informations sur les objets collectées par le LiDAR présentent une série de points dispersés avec des informations précises sur l'angle et la distance, ce que l'on appelle un nuage de points. En général, le système SLAM laser calcule la distance et le changement d'attitude du LiDAR par rapport au mouvement en faisant correspondre et en comparant deux morceaux de nuages de points à différents moments, ce qui permet également de localiser le robot lui-même.
📢 : les informations sur l'objet collectées par le LiDAR présentent une série de points dispersés avec des informations précises sur l'angle et la distance, que l'on appelle le nuage de points. Habituellement, le système SLAM laser calcule la distance et le changement d'attitude du LIDAR par rapport au mouvement en faisant correspondre et en comparant les deux morceaux de nuages de points à différents moments, de manière à compléter la localisation du robot lui-même.
📢 : la mesure de distance LiDAR est plus précise, le modèle d'erreur est simple, le fonctionnement est stable dans des environnements autres que la lumière vive directe, et le traitement du nuage de points est relativement facile. En même temps, les informations du nuage de points contiennent elles-mêmes des relations géométriques directes, ce qui rend la planification de la trajectoire et la navigation du robot intuitives. La recherche théorique sur le SLAM laser est également relativement mûre et les produits d'atterrissage sont plus nombreux.
Avantages du Lidar SLAM
- L'émergence et la popularisation du LiDAR rendent les mesures plus rapides, plus précises et plus informatives.
- Le modèle d'erreur est simple et stable dans des environnements autres que la lumière directe, et le traitement des nuages de points est relativement facile.
- Les informations du nuage de points contiennent elles-mêmes des relations géométriques directes, ce qui rend la planification de la trajectoire et la navigation du robot intuitives.
- Recherche mature, seuil inférieur dans les algorithmes
Inconvénients du Lidar SLAM
- L'absence de capacité de détection du bouclage rend l'élimination des erreurs cumulatives plus difficile.
- Le coût est plus élevé que celui du capteur visuel.
- N'est pas doué pour la localisation dans des environnements dynamiques.
- Mauvaise collaboration multi-robots.
2. SLAM visuel
Le SLAM visuel utilise une caméra comme capteur principal pour construire une carte et réaliser la localisation à partir des informations de l'image capturée. La caméra étant un capteur peu coûteux, le SLAM visuel est devenu un sujet de recherche brûlant ces dernières années, et il est particulièrement utilisé dans les drones grand public et les dispositifs AR/VR.
L'utilisation d'une caméra comme seul capteur de l'environnement est connue sous le nom de vision SLAM : elle part d'une position inconnue dans un environnement inconnu, localise sa propre position et son attitude en observant de manière répétée les caractéristiques de l'environnement (panneaux de signalisation) tout en se déplaçant, puis construit progressivement une carte sur la base de sa propre position, ce qui permet de réaliser simultanément la localisation et la construction d'une carte. Un système VSLAM se compose d'un front-end et d'un back-end, le front-end étant responsable de la localisation rapide. Le back-end est responsable de la maintenance plus lente de la carte : 1. revenir à l'emplacement d'origine et corriger la position et l'attitude de chaque emplacement entre les deux visites ; 2. relocaliser le robot sur la base des informations de texture de la vision lorsque le suivi du front-end est perdu.
La difficulté du problème du bouclage est qu'une petite erreur non détectée se produit au début jusqu'à ce que le robot fasse le tour de la boucle une fois, et l'erreur s'accumule, ce qui conduit au problème de l'impossibilité de fermer la boucle.
Avantage du SLAM visuel
Le SLAM visuel utilise une caméra comme capteur principal pour construire une carte et réaliser la localisation à partir des informations de l'image capturée. La caméra étant un capteur peu coûteux, le SLAM visuel est devenu un sujet de recherche brûlant ces dernières années, et il est particulièrement utilisé dans les drones grand public et les dispositifs AR/VR.
L'utilisation d'une caméra comme seul capteur de l'environnement est connue sous le nom de vision SLAM : elle part d'une position inconnue dans un environnement inconnu, localise sa propre position et son attitude en observant de manière répétée les caractéristiques de l'environnement (panneaux de signalisation) tout en se déplaçant, puis construit progressivement une carte sur la base de sa propre position, ce qui permet de réaliser simultanément la localisation et la construction d'une carte. Un système VSLAM se compose d'un front-end et d'un back-end, le front-end étant responsable de la localisation rapide. Le back-end est responsable de la maintenance plus lente de la carte : 1. revenir à l'emplacement d'origine et corriger la position et l'attitude de chaque emplacement entre les deux visites ; 2. relocaliser le robot sur la base des informations de texture de la vision lorsque le suivi du front-end est perdu.
La difficulté du problème du bouclage est qu'une petite erreur non détectée se produit au début jusqu'à ce que le robot fasse le tour de la boucle une fois, et l'erreur s'accumule, ce qui conduit au problème de l'impossibilité de fermer la boucle.
Inconvénient du SLAM visuel
- Plus affecté par la lumière.
- est peu performant dans les environnements non texturés (par exemple, face à un mur blanc).
- le seuil algorithmique de la technologie est également beaucoup plus élevé que celui du SLAM laser. la construction de cartes basée sur l'optimisation non linéaire est un problème informatique très complexe qui prend beaucoup de temps.
3. Convergence du SLAM Lidar et du SLAM visuel
La fusion rayon-vision SLAM permet d'obtenir une localisation et une construction de carte plus robustes en fusionnant les données du LIDAR et des caméras, en combinant la précision des lasers avec la richesse des informations visuelles des caméras. Cette fusion améliore les performances dans les environnements complexes et a été largement utilisée, notamment dans le domaine de la conduite autonome.
Avantages et inconvénients
- Amélioration des performances : La combinaison de la haute précision du laser et de la richesse des informations de la vision permet au système de fonctionner de manière plus stable dans des environnements tels que la lumière et les obstacles dynamiques.
- Calcul élevé : En raison de l'intégration de multiples sources de données, la complexité informatique du traitement en temps réel est élevée.
4. SLAM multi-capteurs
Le SLAM multi-capteurs combine des données provenant de plusieurs capteurs (IMU, caméras, LIDAR, etc.) afin d'obtenir une localisation et une cartographie de haute précision en fusionnant des informations provenant de différentes sources. Le SLAM multi-capteurs est devenu une technologie importante pour la navigation des robots et la conduite sans pilote en raison de sa robustesse et de sa grande adaptabilité.
Le système SLAM (Simultaneous Localization and Mapping) est une technologie qui permet aux robots d'effectuer simultanément une localisation autonome et la construction d'une carte de l'environnement en combinant les données de mesure des capteurs. Les systèmes SLAM réalistes à laser et à vision sont presque toujours équipés d'outils de localisation auxiliaires tels que des éléments inertiels, des odomètres à turbine, des systèmes de positionnement par satellite et des systèmes de positionnement par station de base intérieure.
Les systèmes SLAM sont généralement fusionnés sur la base des capteurs suivants :
Unité de mesure inertielle (IMU) : l'IMU est capable de fournir des mesures de l'accélération et de la vitesse angulaire du robot, qui sont utilisées pour estimer l'attitude du robot et les changements de position. Par rapport à d'autres capteurs, les IMU ont la capacité de mesurer à des fréquences élevées, mais peuvent souffrir de problèmes tels que la dérive.
Capteurs de vision : ils comprennent les caméras, les caméras de profondeur, etc. En extrayant et en suivant les caractéristiques de l'environnement, les capteurs de vision permettent d'obtenir la position et les informations cartographiques du robot dans l'environnement. Les capteurs de vision peuvent fournir des informations perceptives riches, mais sont sensibles à des problèmes tels que la lumière et l'occlusion.
LiDAR : le LiDAR obtient des informations géométriques sur l'environnement en émettant un faisceau laser et en mesurant la lumière réfléchie. Le LIDAR fournit des mesures de distance et de position très précises et peut être utilisé pour l'élaboration de cartes et la détection d'obstacles. Cependant, le LIDAR est généralement plus cher, plus grand et peut présenter des limites pour les objets particulièrement brillants ou sombres.
Capteurs de distance : les capteurs à ultrasons et les capteurs infrarouges sont utilisés pour mesurer la distance entre le robot et les objets environnants. Les capteurs de distance sont couramment utilisés pour l'évitement d'obstacles à courte distance et la modélisation de l'environnement, mais leur précision et leur portée sont limitées.
La fusion de données provenant de différents capteurs peut combiner les avantages de divers capteurs afin d'améliorer la précision et la robustesse de la localisation et de la construction de cartes. Les méthodes couramment utilisées comprennent le filtre de Kalman étendu (EKF), le filtre à particules et les méthodes d'optimisation (par exemple, l'optimisation des graphes). Ces méthodes sont capables de fusionner les informations obtenues à partir de différents capteurs et d'effectuer l'estimation de l'état et la construction de la carte pour réaliser les fonctions des systèmes SLAM.
Avantages et inconvénients
- Adaptabilité : le SLAM multi-capteurs est capable de combiner et d'utiliser plusieurs capteurs en fonction des différents environnements afin d'obtenir une localisation plus précise et plus robuste.
- Informations redondantes : la fusion de plusieurs capteurs peut améliorer la tolérance aux pannes et la robustesse du système.
- Complexité : la fusion multi-capteurs nécessite l'étalonnage des données et la synchronisation de différents types de capteurs, ce qui accroît la complexité de la conception du système.
L'avenir du SLAM
Efficacité des algorithmes et temps réel
Avec l'utilisation généralisée du SLAM dans la conduite autonome, les drones et les appareils électroniques grand public, l'efficacité en temps réel et en termes de calcul des algorithmes SLAM est devenue une priorité de recherche. Pour faire face à la complexité de la fusion multi-capteurs et à l'énorme volume de calcul du traitement des données, les futurs algorithmes SLAM devront s'appuyer davantage sur l'accélération matérielle (par exemple, GPU, FPGA) et le calcul distribué.
Robustesse et adaptation à l'environnement
La robustesse de la technologie SLAM dans des environnements dynamiques complexes, tels que les rues des villes, les scènes de transition intérieures et extérieures, etc. doit encore être améliorée. À l'avenir, les algorithmes SLAM accorderont plus d'attention à la robustesse en réponse aux obstacles dynamiques, aux changements d'éclairage et aux environnements sans texture afin d'améliorer l'adaptabilité du système.
SLAM sémantique
Alors que le SLAM traditionnel se concentre principalement sur la construction d'informations géométriques, le SLAM futur intégrera progressivement la compréhension sémantique, c'est-à-dire que dans le processus de construction de cartes, le système peut non seulement construire des cartes géométriques, mais aussi reconnaître les informations sémantiques de la carte (par exemple, les bâtiments, les panneaux routiers, les véhicules, etc.) ). Cela améliorera considérablement la valeur d'application de la SLAM dans la conduite autonome et la robotique de service.
Fusion de capteurs multimodaux
Avec le développement de la technologie des capteurs, les futurs systèmes SLAM s'appuieront davantage sur la fusion de capteurs multimodaux (laser, vision, radar, ultrasons, IMU, etc.) pour réaliser une détection de données multidimensionnelles, améliorant ainsi la précision et la robustesse des systèmes SLAM.
Léger et à faible consommation d'énergie
Pour les systèmes embarqués et les appareils grand public (par exemple, AR/VR, UAV), la technologie SLAM doit fonctionner efficacement avec des ressources informatiques limitées. Les futurs algorithmes SLAM accorderont plus d'attention à la conception légère et à faible consommation d'énergie afin de s'adapter aux besoins des plateformes matérielles embarquées.
Industries couvertes
La technologie SLAM a été largement utilisée dans plusieurs secteurs, y compris, mais sans s'y limiter :
Conduite autonome : En fusionnant le LIDAR, la vision et l'IMU, la technologie SLAM permet aux véhicules autonomes de se positionner et de naviguer avec une grande précision dans des environnements urbains complexes.
Navigation des robots : Les robots industriels et de service s'appuient sur la technologie SLAM pour réaliser une navigation autonome et exécuter des tâches dans des environnements inconnus, tels que Altverse tondeuse robot visuelle La caméra est utilisée pour la navigation et la cartographie.
Drones : La technologie SLAM joue un rôle important dans le vol autonome et la navigation des drones, en particulier dans les environnements où les signaux GPS sont faibles ou inefficaces.
AR/VR : les dispositifs de réalité augmentée et de réalité virtuelle ont besoin de la technologie SLAM pour réaliser la perception de l'environnement en temps réel et la superposition de scènes virtuelles.
Résumer
La technologie SLAM est au cœur des dispositifs intelligents d'aujourd'hui, tels que la conduite autonome, la robotique et les drones. Avec les progrès des capteurs et le développement des algorithmes, le SLAM laser, le SLAM vision, le SLAM de fusion rayon-vision et le SLAM de fusion multi-capteurs ont montré leurs avantages uniques dans différents scénarios. À l'avenir, la technologie SLAM évoluera vers une plus grande précision, le temps réel, la robustesse et la fusion multimodale, fournissant des solutions plus fiables et plus efficaces pour diverses industries.
Vous souhaitez personnaliser un robot mobile ou un robot tondeuse, contactez-nous.
Expert en robotique, passionné par l'exploration d'un large éventail de robots, de robots qui rendent le travail plus efficace, explorant les robots, y compris les robots mobiles, les robots tondeuses.
Русский 
日本語 
한국어