SLAM（Simultaneous Localization and Mapping）とは、ロボットやその他のデバイスがセンサーの計測を通じて地図を作成し、未知の環境においてリアルタイムで位置を特定することを可能にする技術である。SLAMは、自律走行、ドローンナビゲーション、産業用ロボット、スマートデバイスのコア技術の1つである。センサーやアルゴリズムの発達により、SLAM技術はレーザーSLAM、ビジョンSLAM、レイビジョンフュージョンSLAM、マルチセンサーSLAMなど、さまざまな実装へと進化している。
SLAMの問題源
自律航法技術はロボットのキーテクノロジーであり、ロボットが自律航法を実現するためには以下の3つの問題を解決する必要がある：
📢:1. ここはどこ？
どこへ行く？
📢:3.どうやって行くの？
そして、もし自分がどこにいるのかさえ分からなければ、どうやって進むべき方向を決めることができるのだろうか？そして、SLAMは最初の問題を解決するためのソリューションのひとつである。
1887年、スミスらは定位と地図作成を同時に行う方法を提案し、定位と地図作成を同時に行う研究の序章を開いた。
一般に、SLAMシステムには複数のセンサーと複数の機能モジュールが含まれる。コアとなる機能モジュールによって、一般的なロボット用SLAMシステムには2つの形態がある：LIDARベースのSLAM（レーザーSLAM）とビジョンベースのSLAM（ビジュアルSLAMまたはVSLAM）です。弊社はロボットメーカーであり、お客様にロボットの設計、研究開発、SMT、量産サービスを提供しております。
ポジショニングと地図作りの関係
未知の環境では、正確な測位と地図の構築を達成するために、正確な地図が必要であり、正確な地図の確立と正確な測位に依存して、一種の相互結合、補完関係を形成する。
1. ライダーSLAM
レーザーSLAMとは、LiDAR（レーザーレーダー）を利用し、環境中の障害物や地形、物体をレーザースキャンすることで3D点群データを生成し、高精度な位置特定や地図作成を行うシステムである。レーザーSLAMは、ロボット工学、無人運転車、地形スキャナーなどのアプリケーションで広く使用されている。
📢：レーザーSLAMは、以前の測距ベースのローカライゼーション手法（例えば、超音波や赤外線単一点測距）から切り離されています。LIDAR (Light Detection And Ranging)の出現と普及により、より速く、より正確で、より有益な測定が可能になりました。LiDARによって収集された物体情報は、正確な角度と距離情報を持つ一連の散乱点を示し、これは点群と呼ばれる。通常、レーザーSLAMシステムは、異なる瞬間の2つの点群をマッチングさせ比較することで、動きに対するLiDARの距離と姿勢変化を計算し、ロボット自体の定位も達成します。
📢：LiDARによって収集された物体情報は、正確な角度と距離情報を持つ一連の分散した点を示し、これは点群と呼ばれる。通常、レーザーSLAMシステムは、異なる瞬間の2つの点群を照合・比較することで、動きに対するLIDARの距離と姿勢変化を計算し、ロボット自体の位置特定を完了する。
📢：LiDARによる距離計測はより正確で、誤差モデルもシンプルで、直射日光以外の環境でも安定した動作が可能で、点群の処理も比較的容易である。同時に、点群情報自体が直接的な幾何学的関係を含んでおり、ロボットの経路計画とナビゲーションを直感的に行うことができる。レーザーSLAMの理論研究も比較的成熟しており、着陸製品もより豊富である。
ライダーSLAMの利点
- LiDARの出現と普及により、測定はより速く、より正確で、より有益になった。
- 誤差モデルは単純で、直射光以外の環境でも安定しており、点群の処理も比較的容易である。
- 点群情報自体に直接的な幾何学的関係が含まれているため、ロボットの経路計画とナビゲーションを直感的に行うことができる。
- 成熟した研究、アルゴリズムの閾値が低い
ライダーSLAMの欠点
- ループバック検出能力がないため、累積エラーの除去はより困難である。
- コストは視覚センサーより高い。
- ダイナミックな環境でのローカライズが苦手。
- マルチロボットの連携が悪い。
2.ビジュアルSLAM
視覚SLAMは、カメラをメインセンサとして、撮影した画像情報から地図を構築し、定位を実現する。カメラが低コストなセンサーであることから、視覚SLAMは近年注目の研究テーマとなっており、特に民生用ドローンやAR/VRデバイスで広く利用されている。
未知の環境において未知の位置から出発し、移動しながら周囲の環境特徴（標識）を繰り返し観察することで自身の位置と姿勢を特定し、自身の位置に基づいて地図を段階的に構築することで、定位と地図構築を同時に実現する。VSLAMシステムはフロントエンドとバックエンドから構成され、フロントエンドは高速な定位測位を担当する。バックエンドは、1.元の位置に戻り、2回の訪問の間に各位置の位置と姿勢を修正する（ループバック）、2.フロントエンドのトラッキングが失われたときにビジョンのテクスチャ情報に基づいてロボットを再ローカライズする。
ループバック問題の難しさは、ロボットがループを1周するまでの間、最初に小さな検出されないエラーが発生し、そのエラーが累積してループが閉じられないという問題につながることである。
ビジュアルSLAMの利点
視覚SLAMは、カメラをメインセンサとして、撮影した画像情報から地図を構築し、定位を実現する。カメラが低コストなセンサーであることから、視覚SLAMは近年注目の研究テーマとなっており、特に民生用ドローンやAR/VRデバイスで広く利用されている。
未知の環境において未知の位置から出発し、移動しながら周囲の環境特徴（標識）を繰り返し観察することで自身の位置と姿勢を特定し、自身の位置に基づいて地図を段階的に構築することで、定位と地図構築を同時に実現する。VSLAMシステムはフロントエンドとバックエンドから構成され、フロントエンドは高速な定位測位を担当する。バックエンドは、1.元の位置に戻り、2回の訪問の間に各位置の位置と姿勢を修正する（ループバック）、2.フロントエンドのトラッキングが失われたときにビジョンのテクスチャ情報に基づいてロボットを再ローカライズする。
ループバック問題の難しさは、ロボットがループを1周するまでの間、最初に小さな検出されないエラーが発生し、そのエラーが累積してループが閉じられないという問題につながることである。
ビジュアルSLAMの欠点
- 光の影響をより強く受ける。
- は、テクスチャーのない環境（例えば、真っ白な壁に面している）ではパフォーマンスが落ちる。
- 非線形最適化に基づくマップ構築は、非常に複雑で時間のかかる計算問題である。
3.ライダーSLAMとビジュアルSLAMの融合
レイビジョンフュージョンSLAMは、LIDARとカメラのデータを融合し、レーザーの精度とカメラの豊富な視覚情報を組み合わせることで、よりロバストな定位と地図構築を実現する。このフュージョンにより、複雑な環境下でのパフォーマンスが向上し、特に自律走行分野で広く利用されています。
メリットとデメリット
- パフォーマンスの向上：レーザーの高精度と視覚の豊富な情報を組み合わせることで、光や動的な障害物などの環境下で、より安定した性能を発揮する。
- 計算量が多い：複数のデータソースを統合するため、リアルタイム処理の計算量は多い。
4.マルチセンサーSLAM
マルチセンサSLAMは、複数のセンサ（IMU、カメラ、LIDARなど）からのデータを組み合わせ、異なる情報源からの情報を融合することで、高精度な定位と地図構築を実現する。マルチセンサSLAMは、そのロバスト性と幅広い適応性から、ロボットナビゲーションや無人運転のための重要な技術となっている。
SLAM（Simultaneous Localization and Mapping）システムとは、ロボットがセンサーの計測データを組み合わせることで、自律的な定位と環境地図の構築を同時に行うことを可能にする技術である。現実的なレーザーおよびビジョンSLAMシステムは、ほとんどの場合、慣性素子、タービンオドメーター、衛星測位システム、屋内基地局測位システムなどの補助的な定位ツールを備えています。
SLAMシステムは通常、以下のセンサーに基づいて融合される：
慣性計測ユニット（IMU）：IMUはロボットの加速度と角速度を計測することができ、ロボットの姿勢や位置の変化を推定するために使用される。他のセンサーに比べ、IMUは高周波数での計測が可能ですが、ドリフトなどの問題があります。
ビジョンセンサ：カメラ、デプスカメラなど。ビジョンセンサを用いて環境中の特徴を抽出・追跡することで、環境中におけるロボットの位置・地図情報を得ることができる。ビジョンセンサは豊富な知覚情報を提供できるが、光やオクルージョンなどの問題に敏感である。
LiDAR：レーザービームを照射し、反射して戻ってくる光を測定することで、環境に関する幾何学的情報を得る。LIDARは非常に正確な距離と位置の測定を提供し、地図の作成や障害物の検出に使用できる。しかし、LIDARは一般的に高価で、大型であり、特に明るい物体や暗い物体に対しては限界がある場合がある。
距離センサー：超音波センサーや赤外線センサーは、ロボットと周囲の物体との距離を測定するために使用される。距離センサーは近距離障害物回避や環境モデリングによく使用されるが、精度と範囲に限界がある。
異なるセンサーからのデータを融合することで、様々なセンサーの利点を組み合わせ、ローカライゼーションとマップ構築の精度とロバスト性を向上させることができる。一般的に用いられる手法には、拡張カルマンフィルタ（EKF）、パーティクルフィルタ、最適化手法（グラフ最適化など）などがある。これらの手法は、異なるセンサーから得られる情報を融合し、状態推定と地図構築を行うことで、SLAMシステムの機能を実現することができる。
メリットとデメリット
- 適応性：マルチセンサーSLAMは、より正確でロバストなローカライゼーションを達成するために、異なる環境に応じて複数のセンサーを組み合わせて使用することができます。
- 冗長な情報：マルチセンサーフュージョンは、システムの耐障害性を向上させ、システムのロバスト性を高めることができる。
- 複雑さ：マルチセンサーフュージョンは、異なるタイプのセンサーのデータ校正と同期を必要とするため、システム設計の複雑さが増す。
SLAMの未来
アルゴリズムの効率性とリアルタイム性
自律走行、UAV、家電機器などでSLAMが広く使用されるようになり、SLAMアルゴリズムのリアルタイム性と計算効率が研究の優先課題となっている。マルチセンサーフュージョンの複雑さとデータ処理の膨大な計算量に対処するため、将来のSLAMアルゴリズムは、ハードウェアアクセラレーション（GPU、FPGAなど）と分散コンピューティングにより依存する必要がある。
ロバストネスと環境適応
市街地、屋内外の遷移シーンなど、複雑な動的環境におけるSLAM技術のロバスト性は、さらに向上させる必要がある。今後、SLAMアルゴリズムは、システムの適応性を高めるために、動的な障害物、照明の変化、テクスチャのない環境に対するロバスト性にもっと注意を払うようになるだろう。
セマンティックSLAM
従来のSLAMは主に幾何学的情報の構築に焦点を当てていたが、将来のSLAMは徐々に意味理解を統合するようになる。つまり、地図構築の過程において、システムは幾何学的地図を構築するだけでなく、地図内の意味情報（建物、道路標識、車両など）を認識することができるようになる。これにより、自律走行やサービスロボットにおけるSLAMの応用価値が大幅に向上する。
マルチモーダルセンサ・フュージョン
センサー技術の発展に伴い、将来のSLAMシステムは、マルチモーダルセンサー（レーザー、ビジョン、レーダー、超音波、IMUなど）のフュージョンに依存するようになり、全方位の多次元データセンシングを実現することで、SLAMシステムの精度とロバスト性がさらに向上する。
軽量・低消費電力
組み込みシステムやコンシューマーグレードのデバイス（AR/VR、UAVなど）では、SLAM技術は限られたコンピューティングリソースで効率的な動作を実現する必要がある。将来のSLAMアルゴリズムは、組込みハードウェアプラットフォームのニーズに適応するため、軽量かつ低消費電力設計により注意を払うようになるだろう。
対象産業
SLAM技術は、これらに限定されないが、いくつかの産業で広く使用されている：
自律走行：LIDAR、ビジョン、IMUを融合させたSLAM技術により、自律走行車は複雑な都市環境において高精度の位置決めとナビゲーションを実現できる。
ロボットのナビゲーション：産業用ロボットやサービスロボットは、未知の環境において自律的なナビゲーションとタスク実行を達成するためにSLAM技術に依存している。 視覚ロボット芝刈り機 は、ナビゲーションとマッピングにカメラが使用されている。
ドローンSLAM技術は、ドローンの自律飛行とナビゲーションにおいて、特にGPS信号が弱かったり効果がなかったりする環境で重要な役割を果たします。
AR/VR: 拡張現実とバーチャルリアリティデバイスは、リアルタイムの環境認識とバーチャルシーンのオーバーレイを実現するためにSLAM技術を必要とする。
要約する
SLAM技術は、自律走行、ロボット工学、ドローンなどの今日のインテリジェントデバイスの中核技術である。センサーの進化とアルゴリズムの開発により、レーザーSLAM、ビジョンSLAM、レイビジョンフュージョンSLAM、マルチセンサーフュージョンSLAMは、さまざまなシーンで独自の優位性を発揮している。将来的には、SLAM技術はより高い精度、リアルタイム性、ロバスト性、マルチモーダルフュージョンに向けて発展し、さまざまな産業により信頼性が高く効率的なソリューションを提供するようになるだろう。
移動ロボットとロボット芝刈り機のカスタムをご希望の場合は、お問い合わせください。
ロボット工学の専門家であり、さまざまなロボット、作業を効率化するロボット、移動ロボット、芝刈りロボットを含むロボットの探求に情熱を注いでいる。
Русский 
한국어