Одновременная локализация и картографирование

Победитель конкурса DARPA Grand Challenge 2005 года Стэнли выполнил SLAM в рамках своей системы автономного вождения.

Одновременная локализация и картографирование ( SLAM ) — это вычислительная задача построения или обновления карты неизвестной среды с одновременным отслеживанием местоположения агента внутри нее. Хотя на первый взгляд это кажется проблемой курицы или яйца , известно несколько алгоритмов, позволяющих решить ее, по крайней мере, приблизительно, за приемлемое время для определенных условий. Популярные методы приближенного решения включают фильтр частиц , расширенный фильтр Калмана , ковариационное пересечение и GraphSLAM. Алгоритмы SLAM основаны на концепциях вычислительной геометрии и компьютерного зрения и используются в роботизированной навигации , роботизированном картографировании и одометрии для виртуальной и дополненной реальности .

Алгоритмы SLAM адаптированы к имеющимся ресурсам и нацелены не на совершенство, а на оперативное соответствие. Опубликованные подходы используются в беспилотных автомобилях , беспилотных летательных аппаратах , автономных подводных аппаратах , планетоходах , новых домашних роботах и даже внутри человеческого тела.

Математическое описание задачи

Учитывая ряд элементов управления $u_{t}$ и сенсорные наблюдения $o_{t}$ по дискретным шагам по времени $t$ , задача SLAM состоит в вычислении оценки состояния агента $x_{t}$ и карта окружающей среды $m_{t}$ . Все величины обычно являются вероятностными, поэтому цель состоит в том, чтобы вычислить ^{[ 1 ]}

P(m_{t+1},x_{t+1}|o_{1:t+1},u_{1:t})

Применение правила Байеса дает основу для последовательного обновления апостериорных изображений местоположения с учетом карты и функции перехода. $P(x_{t}|x_{t-1})$ ,

P(x_{t}|o_{1:t},u_{1:t},m_{t})=\sum _{m_{t-1}}P(o_{t}|x_{t},m_{t},u_{1:t})\sum _{x_{t-1}}P(x_{t}|x_{t-1})P(x_{t-1}|m_{t},o_{1:t-1},u_{1:t})/Z

Аналогично, карту можно обновлять последовательно,

P(m_{t}|x_{t},o_{1:t},u_{1:t})=\sum _{x_{t}}\sum _{m_{t}}P(m_{t}|x_{t},m_{t-1},o_{t},u_{1:t})P(m_{t-1},x_{t}|o_{1:t-1},m_{t-1},u_{1:t})

Как и во многих задачах вывода, решения для совместного вывода двух переменных могут быть найдены, приводя к локальному оптимальному решению, путем попеременного обновления двух убеждений в форме алгоритма ожидания-максимизации .

Алгоритмы

Статистические методы, используемые для аппроксимации приведенных выше уравнений, включают фильтры Калмана и фильтры частиц (алгоритм локализации Монте-Карло). Они обеспечивают оценку апостериорного распределения вероятностей положения робота и параметров карты. Методы, которые консервативно аппроксимируют описанную выше модель с использованием ковариационного пересечения, позволяют избежать использования предположений статистической независимости и снизить алгоритмическую сложность для крупномасштабных приложений. ^{[ 2 ]} Другие методы аппроксимации позволяют повысить эффективность вычислений за счет использования простых представлений неопределенности в ограниченной области. ^{[ 3 ]}

Методы членства во множестве в основном основаны на распространении интервальных ограничений . ^{[ 4 ]}^{[ 5 ]} Они предоставляют набор, который включает в себя позу робота и заданную аппроксимацию карты. Пакетная корректировка и, в более общем плане, максимальная апостериорная оценка (MAP) — это еще один популярный метод SLAM с использованием данных изображений, который совместно оценивает позы и положения ориентиров, повышая точность карты, и используется в коммерческих системах SLAM, таких как Google ARCore, которая заменяет их предыдущая вычислительная платформа дополненной реальности под названием Tango, ранее называвшаяся Project Tango . Оценщики MAP вычисляют наиболее вероятное объяснение поз робота и карты на основе данных датчика, а не пытаются оценить всю апостериорную вероятность.

Новые алгоритмы SLAM остаются активной областью исследований. ^{[ 6 ]} и часто обусловлены различными требованиями и предположениями о типах карт, датчиков и моделей, как подробно описано ниже. Многие системы SLAM можно рассматривать как комбинацию вариантов каждого из этих аспектов.

Картирование

Топологические карты — это метод представления окружающей среды, который фиксирует связность (т. е. топологию) окружающей среды, а не создает геометрически точную карту. Топологические подходы SLAM использовались для обеспечения глобальной согласованности в метрических алгоритмах SLAM. ^{[ 7 ]}

Напротив, карты сетки используют массивы (обычно квадратные или шестиугольные) дискретизированных ячеек для представления топологического мира и делают выводы о том, какие ячейки заняты. Обычно ячейки считаются статистически независимыми, чтобы упростить вычисления. При таком предположении $P(m_{t}|x_{t},m_{t-1},o_{t})$ устанавливаются в 1, если ячейки новой карты соответствуют наблюдению $o_{t}$ на месте $x_{t}$ и 0, если противоречиво.

Современные беспилотные автомобили практически полностью упрощают задачу картографирования за счет широкого использования очень подробных картографических данных, собранных заранее. Это может включать в себя аннотации к карте до уровня маркировки отдельных сегментов белой линии и бордюров на дороге. Визуальные данные с привязкой к местоположению, такие как StreetView от Google, также могут использоваться как часть карт. По сути, такие системы упрощают проблему SLAM до более простой задачи только локализации, возможно, позволяя обновлять движущиеся объекты, такие как автомобили и люди, на карте только во время выполнения.

зондирование

SLAM всегда будет использовать несколько разных типов датчиков, а мощность и ограничения различных типов датчиков были основной движущей силой новых алгоритмов. ^{[ 8 ]} Статистическая независимость является обязательным требованием для борьбы с метрической погрешностью и шумом в измерениях. Различные типы датчиков порождают разные алгоритмы SLAM, предположения которых наиболее подходят датчикам. С одной стороны, лазерное сканирование или визуальные особенности предоставляют подробную информацию о многих точках внутри области, что иногда делает ненужными выводы SLAM, поскольку формы в этих облаках точек можно легко и однозначно выравнивать на каждом этапе посредством регистрации изображений . С другой стороны, тактильные датчики чрезвычайно редки, поскольку они содержат только информацию о точках, очень близких к агенту, поэтому им требуются сильные априорные модели для компенсации в чисто тактильном SLAM. Большинство практических задач SLAM находятся где-то между этими визуальными и тактильными крайностями.

Сенсорные модели в целом делятся на подходы, основанные на ориентирах и необработанных данных. Ориентиры — это уникальные идентифицируемые объекты в мире, местоположение которых можно определить с помощью датчика, например точки доступа Wi-Fi или радиомаяки. Подходы, основанные на необработанных данных, не предполагают, что ориентиры могут быть идентифицированы, а вместо этого моделируют $P(o_{t}|x_{t})$ напрямую в зависимости от местоположения.

Оптические датчики могут представлять собой одномерные (однолучевые) или 2D- (развертные) лазерные дальномеры , 3D-детектирование света и определение дальности света высокой четкости ( лидар ), 3D-лидар со вспышкой, 2D- или 3D- сонарные датчики, а также одну или несколько 2D- камер . ^{[ 8 ]} С момента изобретения локальных функций, таких как SIFT , проводились интенсивные исследования визуального SLAM (VSLAM) с использованием преимущественно визуальных (камерных) датчиков из-за растущего повсеместного распространения камер, например, в мобильных устройствах. ^{[ 9 ]} Последующие исследования включают в себя. ^{[ 10 ]} И визуальные, и лидарные датчики достаточно информативны, чтобы во многих случаях можно было извлечь ориентиры. Другие недавние формы SLAM включают тактильный SLAM. ^{[ 11 ]} (обнаружение только локальным касанием), радар SLAM, ^{[ 12 ]} акустический СЛЭМ, ^{[ 13 ]} и Wi-Fi-SLAM (определение силы близлежащих точек доступа Wi-Fi). ^{[ 14 ]} В последних подходах применяется квазиоптическая беспроводная дальность для мультилатерации ( система локации в реальном времени (RTLS)) или мультиангуляции в сочетании с SLAM как дань неустойчивым беспроводным мерам. Разновидность SLAM для пешеходов использует инерциальный измерительный блок, установленный на обуви , в качестве основного датчика и опирается на тот факт, что пешеходы могут избегать стен, чтобы автоматически строить планы этажей зданий с помощью внутренней системы позиционирования . ^{[ 15 ]}

Для некоторых наружных применений необходимость в SLAM практически полностью устранена благодаря высокоточным дифференциальным датчикам GPS . С точки зрения SLAM их можно рассматривать как датчики местоположения, вероятность которых настолько точна, что полностью доминирует над выводами. Однако датчики GPS могут иногда выходить из строя или полностью выходить из строя, например, во время военного конфликта, что представляет особый интерес для некоторых приложений робототехники.

Кинематическое моделирование

The $P(x_{t}|x_{t-1})$ Термин представляет собой кинематику модели, которая обычно включает информацию о командах действий, данных роботу. В состав модели включена кинематика робота для улучшения оценки чувствительности в условиях собственного и окружающего шума. Динамическая модель уравновешивает вклады различных датчиков, различных моделей частичных ошибок и, наконец, представляет собой четкое виртуальное изображение в виде карты с местоположением и направлением робота в виде некоторого облака вероятности. Картирование — это окончательное изображение такой модели, карта — это либо такое изображение, либо абстрактный термин для модели.

Для 2D-роботов кинематика обычно задается смесью команд вращения и «движения вперед», которые реализуются с помощью дополнительного шума двигателя. К сожалению, распределение, образованное независимым шумом в угловых и линейных направлениях, не является гауссовским, но часто аппроксимируется гауссовым. Альтернативный подход — игнорировать кинематический термин и считывать данные одометрии с колес робота после каждой команды — такие данные затем можно рассматривать как один из датчиков, а не как кинематику.

Перемещение объектов

Нестатичные среды, например, содержащие другие транспортные средства или пешеходов, продолжают представлять собой проблему для исследований. ^{[ 16 ]}^{[ 17 ]} SLAM с DATMO — это модель, которая отслеживает движущиеся объекты аналогично самому агенту. ^{[ 18 ]}

Закрытие петли

Замыкание цикла — это проблема распознавания ранее посещенного места и соответствующего обновления убеждений. Это может быть проблемой, поскольку ошибки модели или алгоритма могут присвоить местоположению низкие априорные значения. Типичные методы замыкания цикла применяют второй алгоритм для вычисления некоторого типа сходства показателей датчика и сбрасывают априорные значения местоположения при обнаружении совпадения. Например, это можно сделать путем сохранения и сравнения пакетов слов векторов функций масштабно-инвариантного преобразования признаков (SIFT) из каждого ранее посещенного местоположения.

Разведка

Активный SLAM изучает совокупную проблему SLAM и решает, куда двигаться дальше, чтобы построить карту максимально эффективно. Потребность в активном исследовании особенно выражена в режимах редкого зондирования, таких как тактильный SLAM. Активный SLAM обычно выполняется путем аппроксимации энтропии карты при гипотетических действиях. «Мультиагентный SLAM» расширяет эту проблему на случай, когда несколько роботов координируют свои действия для оптимального исследования.

Биологическое вдохновение

В нейробиологии гиппокамп , по-видимому, участвует в вычислениях, подобных SLAM. ^{[ 19 ]}^{[ 20 ]}^{[ 21 ]} дает начало клеткам места и легла в основу биоинспирированных SLAM-систем, таких как RatSLAM.

Совместный SLAM

Collaborative SLAM объединяет датчики нескольких роботов или пользователей для создания 3D-карт. ^{[ 22 ]} Эту возможность продемонстрировали ряд команд в рамках конкурса DARPA Subterranean Challenge 2021 года .

Специализированные методы SLAM

Акустический СЛЭМ

среда представлена трехмерным (3D) положением источников звука, называемым aSLAM ( акустическая локализация и ) картографирование Расширение общей проблемы SLAM было применено к акустической области, где окружающая одновременная . ^{[ 23 ]} Ранние реализации этого метода использовали оценки направления прибытия (DoA) местоположения источника звука и полагались на основные методы локализации звука для определения местоположения источника. Наблюдатель или робот должен быть оснащен микрофонной решеткой , чтобы можно было использовать Acoustic SLAM, чтобы правильно оценить функции DoA. Acoustic SLAM заложил основу для дальнейших исследований в области картирования акустических сцен и может сыграть важную роль во взаимодействии человека и робота посредством речи. Чтобы отобразить несколько, а иногда и прерывистые источники звука, акустическая система SLAM использует основы теории случайных конечных множеств, чтобы справиться с меняющимся присутствием акустических ориентиров. ^{[ 24 ]} Однако природа акустических особенностей делает Acoustic SLAM уязвимым к проблемам реверберации, бездействия и шума в окружающей среде.

Аудиовизуальный СЛАМ

Audio-Visual SLAM, изначально разработанная для взаимодействия человека и робота, представляет собой структуру, которая обеспечивает объединение особенностей ориентиров, полученных как из акустических, так и из визуальных модальностей в окружающей среде. ^{[ 25 ]} Человеческое взаимодействие характеризуется особенностями, воспринимаемыми не только в визуальной, но и в акустической модальности; Таким образом, алгоритмы SLAM для роботов и машин, ориентированных на человека, должны учитывать оба набора функций. Аудиовизуальная система оценивает и отображает положения человеческих ориентиров с помощью визуальных функций, таких как поза человека, и аудиофункций, таких как человеческая речь, и объединяет убеждения для более надежной карты окружающей среды. Для приложений в мобильной робототехнике (например, дронов, сервисных роботов) полезно использовать маломощное и легкое оборудование, такое как монокулярные камеры или микроэлектронные микрофонные решетки. Аудиовизуальный SLAM также может обеспечить дополнительную функцию таких датчиков, компенсируя узкое поле зрения, затенение элементов и оптические ухудшения, характерные для легких визуальных датчиков с полным полем обзора, а также беспрепятственное представление функций, свойственное звуковые датчики. Восприимчивость аудиодатчиков к реверберации, бездействию источника звука и шуму также может быть соответствующим образом компенсирована за счет слияния ориентиров с визуальной модальностью. Дополнительная функция между аудио и визуальными модальностями в окружающей среде может оказаться ценной для создания робототехники и машин, которые полностью взаимодействуют с человеческой речью и человеческими движениями.

Методы реализации

Различные алгоритмы SLAM реализованы в (ROS) программного обеспечения с открытым исходным кодом библиотеках операционной системы робота , которые часто используются вместе с библиотекой облаков точек для 3D-карт или визуальных функций из OpenCV .

ЭКФ СЛЭМ

В робототехнике расширенный EKF SLAM — это класс алгоритмов, который использует фильтр Калмана (EKF) для SLAM. Обычно алгоритмы EKF SLAM основаны на признаках и используют алгоритм максимального правдоподобия для ассоциации данных. В 1990-х и 2000-х годах EKF SLAM был де-факто методом SLAM до появления FastSLAM . ^{[ 26 ]}

С EKF связано предположение о гауссовском шуме, которое значительно ухудшает способность EKF SLAM справляться с неопределенностью. При большей степени неопределенности в апостериорной области линеаризация в EKF не удалась. ^{[ 27 ]}

ГрафСЛАМ

В робототехнике GraphSLAM факторного — это алгоритм SLAM, который использует разреженные информационные матрицы, созданные путем создания графа взаимозависимостей наблюдений (два наблюдения связаны, если они содержат данные об одном и том же ориентире). ^{[ 27 ]} В его основе лежат алгоритмы оптимизации.

История

Основополагающей работой в рамках SLAM является исследование Р. К. Смита и П. Чизмана по представлению и оценке пространственной неопределенности в 1986 году. ^{[ 28 ]}^{[ 29 ]} Другая новаторская работа в этой области была проведена исследовательской группой Хью Ф. Даррант-Уайта в начале 1990-х годов. ^{[ 30 ]} который показал, что решения SLAM существуют в бесконечном пределе данных. Этот вывод мотивирует поиск алгоритмов, которые являются вычислительно адаптируемыми и аппроксимируют решение. Аббревиатура SLAM была придумана в статье «Локализация автономных управляемых транспортных средств», которая впервые появилась в ISR в 1995 году. ^{[ 31 ]}

Беспилотные автомобили STANLEY и JUNIOR, возглавляемые Себастьяном Труном , выиграли DARPA Grand Challenge и заняли второе место в DARPA Urban Challenge в 2000-х годах, а также включали в себя системы SLAM, что привлекло к SLAM внимание всего мира. Реализации SLAM для массового рынка теперь можно найти в потребительских роботах-пылесосах. ^{[ 32 ]} и гарнитуры виртуальной реальности , такие как Meta Quest 2 и PICO 4, для безмаркерного отслеживания наизнанку.

См. также

Ссылки

^ Трун, Себастьян ; Бургард, Вольфрам ; Фокс, Дитер . Вероятностная робототехника . Массачусетский технологический институт Пресс. п. 309.
^ Жюльер, С.; Ульманн, Дж. (2001). Создание карты с миллионом маяков . Материалы конференции ISAM по интеллектуальным системам для производства. дои : 10.1117/12.444158 .
^ Чорба, М.; Ульманн, Дж. (1997). Субоптимальный алгоритм автоматического построения карт . Материалы Американской конференции по контролю 1997 года. дои : 10.1109/ACC.1997.611857 .
^ Жолен, Л. (2009). «Нелинейный подход к членству в множестве для локализации и построения карты подводного робота с использованием интервального распространения ограничений» (PDF) . Транзакции IEEE в робототехнике . 25 : 88–98. дои : 10.1109/TRO.2008.2010358 . S2CID 15474613 .
^ Жолен, Л. (2011). «SLAM только по дальности с картами занятости; подход с учетом членства» (PDF) . Транзакции IEEE в робототехнике . 27 (5): 1004–1010. дои : 10.1109/TRO.2011.2147110 . S2CID 52801599 .
^ Кадена, Сезар; Карлоне, Лука; Каррильо, Генри; Латиф, Ясир; Скарамуцца, Давиде; Нейра, Хосе; Рид, Ян; Леонард, Джон Дж. (2016). «Прошлое, настоящее и будущее одновременной локализации и картографии: на пути к эпохе устойчивого восприятия». Транзакции IEEE в робототехнике . 32 (6): 1309–1332. arXiv : 1606.05830 . Бибкод : 2016arXiv160605830C . дои : 10.1109/tro.2016.2624754 . hdl : 2440/107554 . ISSN 1552-3098 . S2CID 2596787 .
^ Камминс, Марк; Ньюман, Пол (июнь 2008 г.). «FAB-MAP: Вероятностная локализация и картографирование в пространстве явления» (PDF) . Международный журнал исследований робототехники . 27 (6): 647–665. дои : 10.1177/0278364908090961 . S2CID 17969052 . Проверено 23 июля 2014 г. .
^ Jump up to: ^а ^б Магнабоско, М.; Брекон, Т.П. (февраль 2013 г.). «Межспектральная визуальная одновременная локализация и картографирование (SLAM) с передачей датчика» (PDF) . Робототехника и автономные системы . 63 (2): 195–208. дои : 10.1016/j.robot.2012.09.023 . Проверено 5 ноября 2013 г.
^ Итак, Стивен; и др. (Джеймс Дж. Литтл; Дэвид Лоу) (2001). Локализация и картографирование мобильных роботов на основе машинного зрения с использованием масштабно-инвариантных функций . Межд. Конф. по робототехнике и автоматизации (ICRA). дои : 10.1109/РОБОТ.2001.932909 .
^ Карлссон, Н.; и др. (Ди Бернардо, Э.; Островски, Дж.; Гонсалвес, Л.; Пирджанян, П.; Мюнхен, М.) (2005). Алгоритм vSLAM для надежной локализации и картографии . Межд. Конф. по робототехнике и автоматизации (ICRA). дои : 10.1109/РОБОТ.2005.1570091 .
^ Фокс, К.; Эванс, М.; Пирсон, М.; Прескотт, Т. (2012). Тактильный SLAM с биомиметическим усатым роботом (PDF) . Учеб. IEEE Международный. Конф. по робототехнике и автоматизации (ICRA).
^ Марк, Дж.В.; Мохамуд, А.; В.Д. Хаувен, Э.; ван Хейстер, Р. (2013). Радар для помещений SLAM Радиолокационное приложение для систем видеонаблюдения и отсутствия GPS (PDF) . Радиолокационная конференция (EuRAD), Европейская, 2013 г.
^ Эверс, Кристина, Аластер Х. Мур и Патрик А. Нейлор. « Акустическая одновременная локализация и картографирование (a-SLAM) движущейся микрофонной решетки и окружающих ее динамиков ». Международная конференция IEEE по акустике, речи и обработке сигналов (ICASSP), 2016 г. ИИЭР, 2016.
^ Феррис, Брайан, Дитер Фокс и Нил Д. Лоуренс. « Wi-Fi-slam с использованием моделей скрытых переменных гауссовского процесса. Архивировано 24 декабря 2022 г. в Wayback Machine ». IJCAI. Том. 7. № 1. 2007.
^ Робертсон, П.; Ангерманн, М.; Крач, Б. (2009). Одновременная локализация и картографирование для пешеходов с использованием только инерциальных датчиков, монтируемых на ногах (PDF) . Ubicomp, 2009. Орландо, Флорида, США: ACM. дои : 10.1145/1620545.1620560 . Архивировано из оригинала (PDF) 16 августа 2010 г.
^ Перера, Самунда; Паскуаль, Аджит (2011). «На пути к портативному MonoSLAM в реальном времени в динамических средах». В Бебисе, Джордж; Бойл, Ричард; Парвин, Бахрам; Корацин, Дарко; Ван, Сун; Кённам, Ким; Бенеш, Бедрич; Морленд, Кеннет; Борст, Кристоф (ред.). Достижения в области визуальных вычислений . Конспекты лекций по информатике. Том. 6938. Шпрингер Берлин Гейдельберг. стр. 313–324. дои : 10.1007/978-3-642-24028-7_29 . ISBN 9783642240287 .
^ Перера, Самунда; Барнс, доктор Ник; Зелинский, доктор Александр (2014), Икеучи, Кацуши (редактор), «Исследование: одновременная локализация и картографирование (SLAM)», Computer Vision: Справочное руководство , Springer US, стр. 268–275, doi : 10.1007/978 -0-387-31439-6_280 , ISBN 9780387314396 , S2CID 34686200
^ Ван, Чие-Чи; Торп, Чарльз; Трун, Себастьян; Эбер, Марсьяль; Даррант-Уайт, Хью (2007). «Одновременная локализация, картографирование и отслеживание движущихся объектов» (PDF) . Межд. Джей Робот. Рез . 26 (9): 889–916. дои : 10.1177/0278364907081229 . S2CID 14526806 .
^ Ховард, штат Вашингтон; Фотедар, М.С.; Датей, А.В.; Хассельмо, Мэн (2005). «Модель временного контекста в пространственной навигации и реляционном обучении: к общему объяснению функции медиальной височной доли в разных областях» . Психологический обзор . 112 (1): 75–116. дои : 10.1037/0033-295X.112.1.75 . ПМЦ 1421376 . ПМИД 15631589 .
^ Фокс, С; Прескотт, Т. (2010). «Гиппокамп как унитарный фильтр когерентных частиц». Международная совместная конференция по нейронным сетям 2010 г. (IJCNN) (PDF) . стр. 1–8. дои : 10.1109/IJCNN.2010.5596681 . ISBN 978-1-4244-6916-1 . S2CID 10838879 .
^ Милфорд, MJ; Уайет, Г.Ф.; Прассер, Д. (2004). «RatSLAM: модель гиппокампа для одновременной локализации и картирования». Международная конференция IEEE по робототехнике и автоматизации, 2004 г. Материалы. ИКРА '04. 2004 (PDF) . С. 403–408 Том 1. дои : 10.1109/РОБОТ.2004.1307183 . ISBN 0-7803-8232-3 . S2CID 7139556 .
^ Цзоу, Даньпин и Пин Тан. « Кослам: совместный визуальный шлем в динамичной среде ». Транзакции IEEE по анализу шаблонов и машинному интеллекту 35.2 (2012): 354–366.
^ Эверс, Кристина; Нейлор, Патрик А. (сентябрь 2018 г.). «Акустический СЛЭМ» (PDF) . Транзакции IEEE/ACM по обработке звука, речи и языка . 26 (9): 1484–1498. дои : 10.1109/TASLP.2018.2828321 . ISSN 2329-9290 .
^ Малер, RPS (октябрь 2003 г.). «Многоцелевая байесовская фильтрация через многоцелевые моменты первого порядка». Транзакции IEEE по аэрокосмическим и электронным системам . 39 (4): 1152–1178. Бибкод : 2003ITAES..39.1152M . дои : 10.1109/TAES.2003.1261119 . ISSN 0018-9251 .
^ Чау, Аарон; Секигути, Кохей; Нуграха, Адитья Арье; Ёси, Кадзуёси; Фунакоши, Котаро (октябрь 2019 г.). «Аудиовизуальный SLAM для отслеживания человека и взаимодействия человека и робота в помещении». 2019 28-я Международная конференция IEEE по интерактивному общению роботов и людей (RO-MAN) . Нью-Дели, Индия: IEEE. стр. 1–8. дои : 10.1109/RO-MAN46459.2019.8956321 . ISBN 978-1-7281-2622-7 . S2CID 210697281 .
^ Монтемерло, М.; Трун, С.; Коллер, Д.; Вегбрайт, Б. (2002). «FastSLAM: факторизованное решение проблемы одновременной локализации и отображения» (PDF) . Материалы Национальной конференции AAAI по искусственному интеллекту . стр. 593–598.
^ Jump up to: ^а ^б Трун, С.; Бургард, В.; Фокс, Д. (2005). Вероятностная робототехника . Кембридж: MIT Press. ISBN 0-262-20162-3 .
^ Смит, Р.К.; Чизмен, П. (1986). «О представлении и оценке пространственной неопределенности» (PDF) . Международный журнал исследований робототехники . 5 (4): 56–68. дои : 10.1177/027836498600500404 . S2CID 60110448 . Проверено 8 апреля 2008 г.
^ Смит, Р.К.; Селф, М.; Чизмен, П. (1986). «Оценка неопределенных пространственных отношений в робототехнике» (PDF) . Материалы второй ежегодной конференции по неопределенности в искусственном интеллекте . УАИ '86. Пенсильванский университет, Филадельфия, Пенсильвания, США: Elsevier. стр. 435–461. Архивировано из оригинала (PDF) 2 июля 2010 г.
^ Леонард, Джей-Джей; Даррант-Уайт, HF (1991). «Одновременное построение и локализация карты для автономного мобильного робота». Труды IROS '91: Международный семинар IEEE/RSJ по интеллектуальным роботам и системам '91 . стр. 1442–1447. дои : 10.1109/IROS.1991.174711 . ISBN 978-0-7803-0067-5 . S2CID 206935019 .
^ Даррант-Уайт, Х.; Бейли, Т. (июнь 2006 г.). «Одновременная локализация и картографирование: часть I» . Журнал IEEE Robotics Automation . 13 (2): 99–110. дои : 10.1109/MRA.2006.1638022 . ISSN 1558-223X . S2CID 8061430 .
^ Найт, Уилл (16 сентября 2015 г.). «С помощью Roomba с возможностью навигации, усовершенствованные домашние роботы iRobot Eyes» . Обзор технологий Массачусетского технологического института . Проверено 25 апреля 2018 г.

Внешние ссылки

Вероятностная робототехника Себастьяна Труна , Вольфрама Бургарда и Дитера Фокса с четким обзором SLAM.
SLAM для чайников (Учебный подход к одновременной локализации и картографии) .
Страница исследования Эндрю Дэвисона на факультете вычислительной техники Имперского колледжа Лондона, посвященная SLAM с использованием зрения.
openslam.org Хорошая коллекция открытого исходного кода и объяснений SLAM.
Панель инструментов Matlab для фильтрации Калмана, применяемая для одновременной локализации и картографирования транспортных средств, движущихся в 1D, 2D и 3D.
Страница исследований FootSLAM в Немецком аэрокосмическом центре (DLR), включая соответствующие подходы Wi-Fi SLAM и PlaceSLAM.
Лекция SLAM Онлайн лекция SLAM на базе Python.

[1] Трун, Себастьян ; Бургард, Вольфрам ; Фокс, Дитер . Вероятностная робототехника . Массачусетский технологический институт Пресс. п. 309.

[2] Жюльер, С.; Ульманн, Дж. (2001). Создание карты с миллионом маяков . Материалы конференции ISAM по интеллектуальным системам для производства. дои : 10.1117/12.444158 .

[3] Чорба, М.; Ульманн, Дж. (1997). Субоптимальный алгоритм автоматического построения карт . Материалы Американской конференции по контролю 1997 года. дои : 10.1109/ACC.1997.611857 .

[4] Жолен, Л. (2009). «Нелинейный подход к членству в множестве для локализации и построения карты подводного робота с использованием интервального распространения ограничений» (PDF) . Транзакции IEEE в робототехнике . 25 : 88–98. дои : 10.1109/TRO.2008.2010358 . S2CID 15474613 .

[5] Жолен, Л. (2011). «SLAM только по дальности с картами занятости; подход с учетом членства» (PDF) . Транзакции IEEE в робототехнике . 27 (5): 1004–1010. дои : 10.1109/TRO.2011.2147110 . S2CID 52801599 .

[:0-6] Кадена, Сезар; Карлоне, Лука; Каррильо, Генри; Латиф, Ясир; Скарамуцца, Давиде; Нейра, Хосе; Рид, Ян; Леонард, Джон Дж. (2016). «Прошлое, настоящее и будущее одновременной локализации и картографии: на пути к эпохе устойчивого восприятия». Транзакции IEEE в робототехнике . 32 (6): 1309–1332. arXiv : 1606.05830 . Бибкод : 2016arXiv160605830C . дои : 10.1109/tro.2016.2624754 . hdl : 2440/107554 . ISSN 1552-3098 . S2CID 2596787 .

[cummins2008-7] Камминс, Марк; Ньюман, Пол (июнь 2008 г.). «FAB-MAP: Вероятностная локализация и картографирование в пространстве явления» (PDF) . Международный журнал исследований робототехники . 27 (6): 647–665. дои : 10.1177/0278364908090961 . S2CID 17969052 . Проверено 23 июля 2014 г. .

[magnabosco13slam-8] Jump up to: ^а ^б Магнабоско, М.; Брекон, Т.П. (февраль 2013 г.). «Межспектральная визуальная одновременная локализация и картографирование (SLAM) с передачей датчика» (PDF) . Робототехника и автономные системы . 63 (2): 195–208. дои : 10.1016/j.robot.2012.09.023 . Проверено 5 ноября 2013 г.

[Se2001-9] Итак, Стивен; и др. (Джеймс Дж. Литтл; Дэвид Лоу) (2001). Локализация и картографирование мобильных роботов на основе машинного зрения с использованием масштабно-инвариантных функций . Межд. Конф. по робототехнике и автоматизации (ICRA). дои : 10.1109/РОБОТ.2001.932909 .

[KarlssonEtAl2005-10] Карлссон, Н.; и др. (Ди Бернардо, Э.; Островски, Дж.; Гонсалвес, Л.; Пирджанян, П.; Мюнхен, М.) (2005). Алгоритм vSLAM для надежной локализации и картографии . Межд. Конф. по робототехнике и автоматизации (ICRA). дои : 10.1109/РОБОТ.2005.1570091 .

[11] Фокс, К.; Эванс, М.; Пирсон, М.; Прескотт, Т. (2012). Тактильный SLAM с биомиметическим усатым роботом (PDF) . Учеб. IEEE Международный. Конф. по робототехнике и автоматизации (ICRA).

[12] Марк, Дж.В.; Мохамуд, А.; В.Д. Хаувен, Э.; ван Хейстер, Р. (2013). Радар для помещений SLAM Радиолокационное приложение для систем видеонаблюдения и отсутствия GPS (PDF) . Радиолокационная конференция (EuRAD), Европейская, 2013 г.

[13] Эверс, Кристина, Аластер Х. Мур и Патрик А. Нейлор. « Акустическая одновременная локализация и картографирование (a-SLAM) движущейся микрофонной решетки и окружающих ее динамиков ». Международная конференция IEEE по акустике, речи и обработке сигналов (ICASSP), 2016 г. ИИЭР, 2016.

[14] Феррис, Брайан, Дитер Фокс и Нил Д. Лоуренс. « Wi-Fi-slam с использованием моделей скрытых переменных гауссовского процесса. Архивировано 24 декабря 2022 г. в Wayback Machine ». IJCAI. Том. 7. № 1. 2007.

[RobertsonEtAl2009-15] Робертсон, П.; Ангерманн, М.; Крач, Б. (2009). Одновременная локализация и картографирование для пешеходов с использованием только инерциальных датчиков, монтируемых на ногах (PDF) . Ubicomp, 2009. Орландо, Флорида, США: ACM. дои : 10.1145/1620545.1620560 . Архивировано из оригинала (PDF) 16 августа 2010 г.

[16] Перера, Самунда; Паскуаль, Аджит (2011). «На пути к портативному MonoSLAM в реальном времени в динамических средах». В Бебисе, Джордж; Бойл, Ричард; Парвин, Бахрам; Корацин, Дарко; Ван, Сун; Кённам, Ким; Бенеш, Бедрич; Морленд, Кеннет; Борст, Кристоф (ред.). Достижения в области визуальных вычислений . Конспекты лекций по информатике. Том. 6938. Шпрингер Берлин Гейдельберг. стр. 313–324. дои : 10.1007/978-3-642-24028-7_29 . ISBN 9783642240287 .

[:1-17] Перера, Самунда; Барнс, доктор Ник; Зелинский, доктор Александр (2014), Икеучи, Кацуши (редактор), «Исследование: одновременная локализация и картографирование (SLAM)», Computer Vision: Справочное руководство , Springer US, стр. 268–275, doi : 10.1007/978 -0-387-31439-6_280 , ISBN 9780387314396 , S2CID 34686200

[Wang2007-18] Ван, Чие-Чи; Торп, Чарльз; Трун, Себастьян; Эбер, Марсьяль; Даррант-Уайт, Хью (2007). «Одновременная локализация, картографирование и отслеживание движущихся объектов» (PDF) . Межд. Джей Робот. Рез . 26 (9): 889–916. дои : 10.1177/0278364907081229 . S2CID 14526806 .

[Howard-19] Ховард, штат Вашингтон; Фотедар, М.С.; Датей, А.В.; Хассельмо, Мэн (2005). «Модель временного контекста в пространственной навигации и реляционном обучении: к общему объяснению функции медиальной височной доли в разных областях» . Психологический обзор . 112 (1): 75–116. дои : 10.1037/0033-295X.112.1.75 . ПМЦ 1421376 . ПМИД 15631589 .

[Fox_&_Prescott-20] Фокс, С; Прескотт, Т. (2010). «Гиппокамп как унитарный фильтр когерентных частиц». Международная совместная конференция по нейронным сетям 2010 г. (IJCNN) (PDF) . стр. 1–8. дои : 10.1109/IJCNN.2010.5596681 . ISBN 978-1-4244-6916-1 . S2CID 10838879 .

[RatSLAM-21] Милфорд, MJ; Уайет, Г.Ф.; Прассер, Д. (2004). «RatSLAM: модель гиппокампа для одновременной локализации и картирования». Международная конференция IEEE по робототехнике и автоматизации, 2004 г. Материалы. ИКРА '04. 2004 (PDF) . С. 403–408 Том 1. дои : 10.1109/РОБОТ.2004.1307183 . ISBN 0-7803-8232-3 . S2CID 7139556 .

[22] Цзоу, Даньпин и Пин Тан. « Кослам: совместный визуальный шлем в динамичной среде ». Транзакции IEEE по анализу шаблонов и машинному интеллекту 35.2 (2012): 354–366.

[23] Эверс, Кристина; Нейлор, Патрик А. (сентябрь 2018 г.). «Акустический СЛЭМ» (PDF) . Транзакции IEEE/ACM по обработке звука, речи и языка . 26 (9): 1484–1498. дои : 10.1109/TASLP.2018.2828321 . ISSN 2329-9290 .

[24] Малер, RPS (октябрь 2003 г.). «Многоцелевая байесовская фильтрация через многоцелевые моменты первого порядка». Транзакции IEEE по аэрокосмическим и электронным системам . 39 (4): 1152–1178. Бибкод : 2003ITAES..39.1152M . дои : 10.1109/TAES.2003.1261119 . ISSN 0018-9251 .

[25] Чау, Аарон; Секигути, Кохей; Нуграха, Адитья Арье; Ёси, Кадзуёси; Фунакоши, Котаро (октябрь 2019 г.). «Аудиовизуальный SLAM для отслеживания человека и взаимодействия человека и робота в помещении». 2019 28-я Международная конференция IEEE по интерактивному общению роботов и людей (RO-MAN) . Нью-Дели, Индия: IEEE. стр. 1–8. дои : 10.1109/RO-MAN46459.2019.8956321 . ISBN 978-1-7281-2622-7 . S2CID 210697281 .

[Montemerlo2002-26] Монтемерло, М.; Трун, С.; Коллер, Д.; Вегбрайт, Б. (2002). «FastSLAM: факторизованное решение проблемы одновременной локализации и отображения» (PDF) . Материалы Национальной конференции AAAI по искусственному интеллекту . стр. 593–598.

[Trun2005-27] Jump up to: ^а ^б Трун, С.; Бургард, В.; Фокс, Д. (2005). Вероятностная робототехника . Кембридж: MIT Press. ISBN 0-262-20162-3 .

[Smith1986-28] Смит, Р.К.; Чизмен, П. (1986). «О представлении и оценке пространственной неопределенности» (PDF) . Международный журнал исследований робототехники . 5 (4): 56–68. дои : 10.1177/027836498600500404 . S2CID 60110448 . Проверено 8 апреля 2008 г.

[Smith1986b-29] Смит, Р.К.; Селф, М.; Чизмен, П. (1986). «Оценка неопределенных пространственных отношений в робототехнике» (PDF) . Материалы второй ежегодной конференции по неопределенности в искусственном интеллекте . УАИ '86. Пенсильванский университет, Филадельфия, Пенсильвания, США: Elsevier. стр. 435–461. Архивировано из оригинала (PDF) 2 июля 2010 г.

[Leonard1991-30] Леонард, Джей-Джей; Даррант-Уайт, HF (1991). «Одновременное построение и локализация карты для автономного мобильного робота». Труды IROS '91: Международный семинар IEEE/RSJ по интеллектуальным роботам и системам '91 . стр. 1442–1447. дои : 10.1109/IROS.1991.174711 . ISBN 978-0-7803-0067-5 . S2CID 206935019 .

[31] Даррант-Уайт, Х.; Бейли, Т. (июнь 2006 г.). «Одновременная локализация и картографирование: часть I» . Журнал IEEE Robotics Automation . 13 (2): 99–110. дои : 10.1109/MRA.2006.1638022 . ISSN 1558-223X . S2CID 8061430 .

[32] Найт, Уилл (16 сентября 2015 г.). «С помощью Roomba с возможностью навигации, усовершенствованные домашние роботы iRobot Eyes» . Обзор технологий Массачусетского технологического института . Проверено 25 апреля 2018 г.

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 9 ]

[ 10 ]

[ 11 ]

[ 12 ]

[ 13 ]

[ 14 ]

[ 15 ]

[ 16 ]

[ 17 ]

[ 18 ]

[ 19 ]

[ 20 ]

[ 21 ]

[ 22 ]

[ 23 ]

[ 24 ]

[ 25 ]

[ 26 ]

[ 27 ]

[ 28 ]

[ 29 ]

[ 30 ]

[ 31 ]

[ 32 ]

v т и Робототехника
Main articles	Outline Glossary Index History Geography Hall of Fame Ethics Laws Competitions AI competitions
Types	Aerobot Anthropomorphic Humanoid Android Cyborg Gynoid Claytronics Companion Automaton Animatronic Audio-Animatronics Industrial Articulated arm Domestic Educational Entertainment Juggling Military Medical Service Disability Agricultural Food service Retail BEAM robotics Soft robotics
Classifications	Biorobotics Cloud robotics Continuum robot Unmanned vehicle aerial ground Mobile robot Microbotics Nanorobotics Necrobotics Robotic spacecraft Space probe Swarm Telerobotics Underwater remotely-operated Robotic fish
Locomotion	Tracks Walking Hexapod Climbing Electric unicycle Robotic fins
Navigation and mapping	Motion planning Simultaneous localization and mapping Visual odometry Vision-guided robot systems
Research	Evolutionary Kits Simulator Suite Open-source Software Adaptable Developmental Human–robot interaction Paradigms Perceptual Situated Ubiquitous
Companies	Amazon Robotics Anybots Barrett Technology Boston Dynamics Energid Technologies FarmWise FANUC Figure AI Foster-Miller Harvest Automation Honeybee Robotics Intuitive Surgical IRobot KUKA Starship Technologies Symbotic Universal Robotics Wolf Robotics Yaskawa
Related	Critique of work Powered exoskeleton Workplace robotics safety Robotic tech vest Technological unemployment Terrainability Fictional robots
Category Outline