Artikel membincangkan aplikasi teknologi SLAM dalam pemanduan autonomi

Pendudukan menduduki kedudukan yang tidak boleh digantikan dalam pemanduan autonomi, dan terdapat perkembangan yang menjanjikan pada masa hadapan. Pada masa ini, kedudukan dalam pemanduan autonomi bergantung pada RTK dan peta berketepatan tinggi, yang menambahkan banyak kos dan kesukaran kepada pelaksanaan pemanduan autonomi. Bayangkan apabila manusia memandu, mereka tidak perlu mengetahui kedudukan ketepatan tinggi global mereka sendiri dan persekitaran sekeliling yang terperinci. Ia cukup untuk mempunyai laluan navigasi global dan sepadan dengan kedudukan kenderaan di laluan itu bidang SLAM.

Apakah itu SLAM

SLAM (Penyetempatan dan Pemetaan Serentak), juga dikenali sebagai CML (Pemetaan dan Penyetempatan Serentak), penentududukan masa nyata dan pemetaan Pembinaan, atau pemetaan dan kedudukan serentak. Masalahnya boleh digambarkan sebagai: Letakkan robot ke lokasi yang tidak diketahui dalam persekitaran yang tidak diketahui Adakah terdapat cara untuk robot secara beransur-ansur melukis peta persekitaran yang lengkap sambil memutuskan ke arah mana robot harus bergerak? Sebagai contoh, robot menyapu adalah masalah SLAM yang sangat tipikal Apa yang dipanggil peta lengkap (peta yang konsisten) bermakna ia boleh bergerak ke setiap sudut bilik yang boleh diakses tanpa halangan.

SLAM pertama kali dicadangkan pada tahun 1988 oleh Smith, Self and Cheeseman. Oleh kerana nilai teori dan aplikasinya yang penting, ia dianggap oleh ramai sarjana sebagai kunci untuk merealisasikan robot mudah alih yang benar-benar autonomi.

Apabila manusia simulasi datang ke persekitaran yang pelik, untuk mengenali persekitaran dengan cepat dan menyelesaikan tugas mereka (seperti mencari restoran, mencari hotel), mereka harus melakukan perkara berikut mengikut urutan:

a Gunakan mata anda untuk memerhati tanda tempat di sekeliling seperti bangunan, pokok besar, katil bunga, dsb., dan ingat ciri-cirinya (pemerahan ciri)

b. Dalam fikiran sendiri, berdasarkan maklumat yang diperolehi oleh teropong, mercu tanda ciri dibina semula dalam peta tiga dimensi (pembinaan semula tiga dimensi)

c. Apabila berjalan, sentiasa dapatkan tanda tempat Ciri baharu, dan betulkan model peta dalam fikiran anda (pelarasan berkas atau EKF)

d. Tentukan kedudukan anda (trajektori). pada tanda tempat ciri yang anda perolehi daripada berjalan suatu masa dahulu.

e Apabila anda berjalan jauh secara tidak sengaja, padankannya dengan tanda tempat sebelumnya dalam fikiran anda untuk mengetahui sama ada anda telah kembali ke tempat tersebut laluan asal (pengesanan penutupan gelung). Pada hakikatnya, langkah ini adalah pilihan. Lima langkah di atas dilakukan secara serentak, jadi ia adalah Penyetempatan dan Pemetaan Serentak.

Laser SLAM dan visual SLAM

Sensor yang digunakan dalam SLAM kini terbahagi kepada dua kategori, lidar dan kamera. LiDAR boleh dibahagikan kepada jenis satu baris dan berbilang talian, dengan resolusi sudut dan ketepatan yang berbeza.

VSLAM terutamanya dilaksanakan menggunakan kamera Terdapat banyak jenis kamera, terutamanya terbahagi kepada cahaya berstruktur monokular, binokular, dan binokular cahaya dan ToF adalah beberapa kategori. Teras mereka adalah untuk mendapatkan RGB dan peta kedalaman (maklumat kedalaman). Disebabkan oleh kesan kos pembuatan, SLAM visual telah menjadi semakin popular sejak beberapa tahun kebelakangan ini. Ambil ToF (Masa Penerbangan), kaedah pemerolehan kedalaman yang menjanjikan, sebagai contoh.

Penderia memancarkan cahaya inframerah dekat termodulat, yang dipantulkan apabila ia bertemu dengan objek Penderia mengira perbezaan masa atau perbezaan fasa antara pancaran cahaya dan pantulan untuk menukar jarak adegan bergambar untuk menjana maklumat mendalam . Sama seperti radar, atau bayangkan kelawar, DS325 softkinetic menggunakan penyelesaian ToF (reka bentuk oleh TI). Walau bagaimanapun, struktur mikro penerimanya agak istimewa, dengan dua atau lebih pengatup, dan boleh mengukur perbezaan masa tahap ps Walau bagaimanapun, saiz piksel unitnya biasanya 100um, jadi resolusi semasa tidak tinggi.

Selepas peta kedalaman diperoleh, algoritma SLAM mula berfungsi Disebabkan oleh Penderia dan keperluan yang berbeza, bentuk persembahan SLAM sedikit berbeza . Ia boleh dibahagikan secara kasar kepada laser SLAM (juga dibahagikan kepada 2D dan 3D) dan visual SLAM (juga dibahagikan kepada Jarang, semiDense, Padat), tetapi idea utama adalah serupa.

Elemen pelaksanaan algoritma SLAM​

Teknologi SLAM sangat praktikal, tetapi juga agak sukar Dalam bidang pemanduan autonomi yang memerlukan kedudukan yang tepat pada setiap masa, jika anda ingin menyelesaikan pelaksanaan SLAM Ia juga penuh dengan kesukaran. Secara umumnya, algoritma SLAM terutamanya mempertimbangkan empat aspek berikut apabila melaksanakannya:

1 Isu perwakilan peta, seperti padat dan jarang adalah ungkapan yang berbeza ini perlu berdasarkan pada adegan sebenar perlu membuat pilihan;

3. Isu perkaitan data Penderia yang berbeza mempunyai jenis data, cap masa dan ekspresi sistem koordinat, yang perlu dikendalikan secara seragam; >4. Masalah kedudukan dan komposisi merujuk kepada cara mencapai anggaran pose dan pemodelan, yang melibatkan banyak masalah matematik, pembentukan model fizikal, anggaran keadaan dan pengoptimuman lain termasuk masalah pengesanan gelung, masalah penerokaan (penjelajahan), dan masalah penculikan (penculikan); .

Rangka kerja visual SLAM yang popular pada masa ini terutamanya merangkumi bahagian hadapan dan belakang:

Bahagian hadapan

Bahagian hadapan adalah bersamaan dengan VO (obometri visual), yang mengkaji hubungan transformasi antara bingkai.

Mula-mula mengekstrak titik ciri setiap imej bingkai, gunakan imej bingkai bersebelahan untuk memadankan titik ciri, kemudian gunakan RANSAC untuk mengeluarkan bunyi yang besar, dan kemudian lakukan pemadanan untuk mendapatkan maklumat pose ( kedudukan dan sikap ), dan pada masa yang sama, maklumat sikap yang disediakan oleh IMU (Unit Pengukuran Inersia) boleh digunakan untuk penapisan dan gabungan Bahagian belakang terutamanya untuk mengoptimumkan hasil bahagian hadapan, menggunakan teori penapisan (EKF,. UKF, PF), atau teori pengoptimuman TORO, G2O Lakukan pengoptimuman pokok atau graf. Akhirnya, anggaran pose optimum diperolehi.

Backend

Backend mempunyai lebih banyak kesukaran dan melibatkan lebih banyak pengetahuan matematik Secara umumnya, semua orang perlahan-lahan meninggalkan tradisi teori penapisan dan bergerak ke arah pengoptimuman graf.

Kerana berdasarkan teori penapisan, kestabilan penapis meningkat terlalu cepat, yang memberi banyak tekanan kepada PF untuk EKF (Extended Kalman Filter) yang memerlukan penyongsangan yang kerap.

SLAM berasaskan graf biasanya berdasarkan kerangka utama untuk mewujudkan berbilang nod dan hubungan transformasi relatif antara nod, seperti matriks transformasi affine, dan Penyelenggaraan berterusan nod utama dilakukan untuk memastikan kapasiti graf dan mengurangkan jumlah pengiraan sambil memastikan ketepatan.

Aplikasi masa hadapan SLAM dalam bidang pemanduan autonomi

Teknologi Slam telah mencapai keputusan yang baik dalam banyak bidang Termasuk robot mudah alih dalaman, AR adegan, dron, dsb. Dalam bidang pemanduan autonomi, teknologi SLAM tidak banyak mendapat perhatian Di satu pihak, kerana kebanyakan industri pemanduan autonomi semasa diselesaikan melalui RTK, terlalu banyak sumber tidak akan dilaburkan dalam penyelidikan yang mendalam , teknologi SLAM tidak banyak mendapat perhatian Di satu pihak, ia juga kerana teknologi masa kini masih belum matang Dalam bidang berkaitan kehidupan seperti pemanduan autonomi, mana-mana teknologi baru mesti lulus ujian masa sebelum ia boleh diterima.

Pada masa hadapan, dengan peningkatan beransur-ansur ketepatan sensor, SLAM juga akan menunjukkan bakatnya dalam bidang pemanduan autonomi, dengan kos yang rendah dan prestasi tinggi. Keteguhan akan membawa perubahan revolusioner kepada pemanduan autonomi. Apabila teknologi SLAM menjadi semakin popular, semakin ramai bakat penentu kedudukan akan membanjiri bidang pemanduan autonomi, menyuntik darah segar ke dalam pemanduan autonomi dan membawa arah teknikal dan bidang penyelidikan baharu.

Atas ialah kandungan terperinci Artikel membincangkan aplikasi teknologi SLAM dalam pemanduan autonomi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!