Lidar Slam e Visual Slam Introdução e Comparação Completa

O SLAM (Simultaneous Localization and Mapping) é uma tecnologia que permite aos robôs ou outros dispositivos construir mapas e determinar as suas posições em ambientes desconhecidos em tempo real através de medições de sensores. O SLAM é uma das principais tecnologias para a condução autónoma, navegação de drones, robôs industriais e dispositivos inteligentes. Com o desenvolvimento de sensores e algoritmos, a tecnologia SLAM evoluiu para uma variedade de implementações, incluindo SLAM a laser, SLAM de visão, SLAM de fusão raio-visão e SLAM multi-sensor.

Índice

Fontes de problemas SLAM

A tecnologia de navegação autónoma é uma tecnologia fundamental para os robôs, e estes têm de resolver os três problemas seguintes para realizarem a navegação autónoma:

📢: 1. onde estou?

📢: 2. para onde ir?

📢: 3. Como chegar lá?

A primeira destas questões é a base para as duas últimas, e se nem sequer sabemos onde estamos, como podemos determinar a direção a seguir? E o SLAM é uma das soluções para resolver o primeiro problema.

Em 1887, Smith et al. propuseram um método de localização e mapeamento simultâneos, que abriu o prelúdio para o estudo da localização e construção de mapas simultâneos.

De um modo geral, os sistemas SLAM contêm normalmente vários sensores e vários módulos funcionais. De acordo com os módulos funcionais principais, os sistemas SLAM comuns para robots têm duas formas: SLAM baseado em LIDAR (Laser SLAM) e SLAM baseado em visão (Visual SLAM ou VSLAM). Somos um fabricante de robôs, fornecemos aos nossos clientes serviços de conceção de robôs, I&D, SMT e produção em massa.

Relação entre posicionamento e construção de mapas

No ambiente desconhecido, para conseguir um posicionamento exato e a construção de mapas, são necessários mapas exactos, o estabelecimento de mapas exactos e a dependência de um posicionamento exato, formando uma espécie de acoplamento mútuo, uma relação complementar.

1. Lidar SLAM

O SLAM a laser é um sistema que se baseia no LiDAR (radar a laser) para gerar dados de nuvens de pontos 3D através da digitalização a laser de obstáculos, terrenos e objectos no ambiente para localização de alta precisão e construção de mapas. O SLAM a laser é amplamente utilizado em aplicações como robótica, carros sem condutor e scanners de terreno.

O SLAM a laser está dissociado dos anteriores métodos de localização baseados no alcance (por exemplo, alcance ultrassónico e infravermelho de ponto único). O aparecimento e a popularização do LIDAR (Light Detection And Ranging) conduziram a medições mais rápidas, mais precisas e mais informativas. A informação do objeto recolhida pelo LiDAR apresenta uma série de pontos dispersos com informação precisa sobre o ângulo e a distância, a que se chama uma nuvem de pontos. Normalmente, o sistema SLAM a laser calcula a distância e a mudança de atitude do LiDAR em relação ao movimento através da correspondência e comparação de duas nuvens de pontos em momentos diferentes, o que também permite a localização do próprio robot.

📢: a informação do objeto recolhida pelo LiDAR apresenta uma série de pontos dispersos com informação precisa sobre o ângulo e a distância, a que se chama a nuvem de pontos. Normalmente, o sistema SLAM a laser calcula a distância e a mudança de atitude do LIDAR em relação ao movimento, combinando e comparando as duas nuvens de pontos em momentos diferentes, de modo a completar a localização do próprio robô.

📢: a medição da distância LiDAR é mais precisa, o modelo de erro é simples, a operação é estável em ambientes diferentes da luz brilhante direta e o processamento da nuvem de pontos é relativamente fácil. Ao mesmo tempo, a própria informação da nuvem de pontos contém relações geométricas diretas, tornando o planeamento do caminho do robô e a navegação intuitiva. A investigação teórica do SLAM a laser também está relativamente madura e os produtos de aterragem são mais abundantes.

Vantagens do Lidar SLAM

O aparecimento e a popularização do LiDAR tornam a medição mais rápida, mais exacta e mais informativa.
O modelo de erro é simples e estável em ambientes diferentes de luz direta, e o processamento de nuvens de pontos é relativamente fácil.
A própria informação da nuvem de pontos contém relações geométricas diretas, o que torna intuitivo o planeamento do percurso e a navegação do robô.
Investigação madura, limiar mais baixo nos algoritmos

Desvantagens do Lidar SLAM

A falta de capacidade de deteção de loopback, a eliminação do erro cumulativo é mais difícil.
O custo é mais elevado do que o do sensor visual.
Não é bom em localização em ambientes dinâmicos.
Má colaboração entre vários robots.

2. SLAM visual

O SLAM visual usa uma câmera como sensor principal para construir um mapa e obter localização a partir das informações da imagem capturada. Com a câmera como um sensor de baixo custo, o SLAM visual se tornou um tópico de pesquisa quente nos últimos anos, e é especialmente amplamente usado em drones de consumo e dispositivos AR/VR.

A utilização de uma câmara como o único sensor que detecta o ambiente é conhecida como SLAM de visão: parte de um local desconhecido num ambiente desconhecido, localiza a sua própria posição e atitude observando repetidamente as caraterísticas ambientais circundantes (sinais) enquanto se desloca e, em seguida, constrói gradualmente um mapa com base na sua própria posição, conseguindo assim uma localização e construção de mapas simultâneas. Um sistema VSLAM é composto por um front-end e um back-end, sendo o front-end responsável pela localização rápida. O back-end é responsável pela manutenção mais lenta do mapa: 1. (Loopback) para regressar à localização original e corrigir a posição e a atitude de cada localização entre as duas visitas; 2. Voltar a localizar o robô com base na informação de textura da visão quando a localização do front-end se perde.

A dificuldade do problema do loopback é que um pequeno erro não detectado ocorre no início até que o robô percorra o loop uma vez, e o erro se acumula, levando ao problema de que o loop não pode ser fechado.

Vantagem do Visual SLAM

Desvantagem do SLAM Visual

Mais afetado pela luz.
tem um desempenho ruim em ambientes sem textura (por exemplo, de frente para uma parede branca).
o limite algorítmico da tecnologia também é muito maior do que o do laser SLAM. A construção de mapas baseada em otimização não linear é um problema computacional muito complexo e demorado.

3. Convergência de Lidar SLAM e Visual SLAM

A fusão Ray-vision SLAM alcança uma localização e construção de mapas mais robustas ao fundir dados de LIDAR e câmeras, combinando a precisão dos lasers com as informações visuais ricas das câmeras. Essa fusão melhora o desempenho em ambientes complexos e tem sido amplamente usada, especialmente no campo da direção autônoma.

Vantagens e desvantagens

Melhoria do desempenho: A combinação da elevada precisão do laser com a riqueza de informação da visão faz com que o sistema tenha um desempenho mais estável em ambientes como a luz e os obstáculos dinâmicos.
Alta computação: Devido à integração de múltiplas fontes de dados, a complexidade computacional do processamento em tempo real é alta.

4. SLAM multissensor

SLAM multissensor combina dados de múltiplos sensores (IMUs, câmeras, LIDAR, etc.) para atingir localização de alta precisão e construção de mapas ao fundir informações de diferentes fontes. SLAM multissensor se tornou uma tecnologia importante para navegação de robôs e direção não tripulada devido à sua robustez e ampla adaptabilidade.

O sistema SLAM (Simultaneous Localization and Mapping) é uma tecnologia que permite aos robôs efetuar simultaneamente a localização autónoma e a construção de mapas do ambiente através da combinação de dados de medição dos sensores. Os sistemas SLAM de visão e laser realistas estão quase sempre equipados com ferramentas de localização auxiliares, tais como elementos inerciais, odómetros de turbina, sistemas de posicionamento por satélite e sistemas de posicionamento de estações de base interiores.

Os sistemas SLAM geralmente são fundidos com base nos seguintes sensores:

Inertial Measurement Unit (IMU): a IMU é capaz de fornecer medições de aceleração e velocidade angular do robô, que são usadas para estimar as mudanças de atitude e posição do robô. Comparadas a outros sensores, as IMUs têm a capacidade de medir em altas frequências, mas podem sofrer de problemas como deriva.

Sensores de visão: incluem câmeras, câmeras de profundidade, etc. Ao extrair e rastrear recursos no ambiente, a posição e as informações do mapa do robô no ambiente podem ser obtidas usando sensores de visão. Os sensores de visão podem fornecer informações perceptuais ricas, mas são sensíveis a problemas como luz e oclusão.

LiDAR: O LiDAR obtém informações geométricas sobre o ambiente emitindo um feixe de laser e medindo a luz refletida de volta. O LIDAR fornece medições de distância e posição altamente precisas e pode ser usado para construção de mapas e detecção de obstáculos. No entanto, o LIDAR é normalmente mais caro, maior e pode ter limitações para objetos particularmente brilhantes ou escuros.

Sensores de alcance: tais como sensores ultra-sónicos e sensores de infravermelhos são utilizados para medir a distância entre o robô e os objectos circundantes. Os sensores de alcance são normalmente utilizados para evitar obstáculos a curta distância e modelar o ambiente, mas têm uma precisão e um alcance limitados.

A fusão de dados de diferentes sensores pode combinar as vantagens de vários sensores para melhorar a precisão e a robustez da localização e da construção de mapas. Os métodos comumente usados incluem Extended Kalman Filter (EKF), Particle Filter e métodos de otimização (por exemplo, otimização de gráfico). Esses métodos são capazes de fundir as informações obtidas de diferentes sensores e executar estimativas de estado e construção de mapas para realizar as funções dos sistemas SLAM.

Vantagem e Desvantagem

Adaptável: o SLAM multissensor é capaz de combinar e usar vários sensores de acordo com diferentes ambientes para obter uma localização mais precisa e robusta.
Informações redundantes: a fusão multissensor pode melhorar a tolerância a falhas do sistema e aumentar sua robustez.
Complexidade: a fusão multissensor requer calibração de dados e sincronização de diferentes tipos de sensores, o que aumenta a complexidade do projeto do sistema.

O futuro do SLAM

Eficiência do algoritmo e tempo real

Com o uso generalizado de SLAM em direção autônoma, UAVs e dispositivos eletrônicos de consumo, a eficiência computacional e em tempo real dos algoritmos SLAM se tornou uma prioridade de pesquisa. Para lidar com a complexidade da fusão multissensor e o enorme volume computacional de processamento de dados, os futuros algoritmos SLAM precisarão depender mais da aceleração de hardware (por exemplo, GPUs, FPGAs) e computação distribuída.

Robustez e Adaptação Ambiental

A robustez da tecnologia SLAM em ambientes dinâmicos complexos, como ruas da cidade, cenas de transição internas e externas, etc., precisa ser melhorada ainda mais. No futuro, os algoritmos SLAM prestarão mais atenção à robustez em resposta a obstáculos dinâmicos, mudanças de iluminação e ambientes sem textura para aumentar a adaptabilidade do sistema.

SLAM semântico

Enquanto o SLAM tradicional foca principalmente na construção de informações geométricas, o SLAM futuro integrará gradualmente a compreensão semântica, ou seja, no processo de construção de mapas, o sistema pode não apenas construir mapas geométricos, mas também reconhecer as informações semânticas no mapa (por exemplo, edifícios, placas de trânsito, veículos, etc.). Isso aumentará muito o valor da aplicação do SLAM na direção autônoma e na robótica de serviços.

Fusão de sensores multimodais

Com o desenvolvimento da tecnologia de sensores, os futuros sistemas SLAM dependerão mais da fusão de sensores multimodais (laser, visão, radar, ultrassom, IMU, etc.) para realizar detecção de dados multidimensionais e completos, melhorando ainda mais a precisão e a robustez dos sistemas SLAM.

Leve e baixo consumo de energia

Para sistemas embarcados e dispositivos de nível de consumidor (por exemplo, AR/VR, UAVs), a tecnologia SLAM precisa atingir uma operação eficiente com recursos de computação limitados. Os algoritmos SLAM futuros darão mais atenção ao design leve e de baixo consumo de energia para se adaptar às necessidades de plataformas de hardware embarcadas.

Indústrias cobertas

A tecnologia SLAM tem sido amplamente utilizada em vários setores, incluindo, mas não se limitando a:

Direção autônoma: ao unir LIDAR, visão e IMU, a tecnologia SLAM permite que veículos autônomos alcancem posicionamento e navegação de alta precisão em ambientes urbanos complexos.

Navegação de robôs: robôs industriais e de serviço contam com a tecnologia SLAM para realizar navegação autônoma e execução de tarefas em ambientes desconhecidos, como Altverse robô cortador de grama visual é usada a câmera para navegação e mapeamento.

Drones: A tecnologia SLAM desempenha um papel importante no voo autônomo e na navegação de drones, especialmente em ambientes onde os sinais de GPS são fracos ou ineficazes.

AR/VR: Dispositivos de realidade aumentada e realidade virtual precisam da tecnologia SLAM para realizar percepção do ambiente em tempo real e sobreposição de cenas virtuais.

Resumir

A tecnologia SLAM é a tecnologia central nos dispositivos inteligentes de hoje, como direção autônoma, robótica e drones. Com o avanço dos sensores e o desenvolvimento de algoritmos, SLAM a laser, SLAM de visão, SLAM de fusão de visão de raio e SLAM de fusão multissensor mostraram suas vantagens únicas em diferentes cenários. No futuro, a tecnologia SLAM se desenvolverá em direção a maior precisão, tempo real, robustez e fusão multimodal, fornecendo soluções mais confiáveis e eficientes para vários setores.

Quer personalizar um robô móvel e um robô cortador de grama? Entre em contato conosco

Aileen

Especialista em robótica, apaixonado por explorar uma vasta gama de robôs, robôs que tornam o trabalho mais eficiente, explorando robôs, incluindo robôs móveis, robôs corta-relvas.