Table of Contents
سیستم های همزمان محلی سازی و Mapping (SLAM) به شدت بر داده های سنسور تکیه می کنند تا نقشه های دقیق ایجاد کنند و موقعیت یک دستگاه را در یک محیط مشخص کنند. نویز سنسور می تواند به طور قابل توجهی بر دقت الگوریتم های SLAM تأثیر بگذارد که منجر به خطا در نقشه برداری و محلی سازی می شود.
تاثیر نویز سنسور بر روی SLAM
نویز سنسور در داده های جمع آوری شده توسط سنسورهایی مانند LiDAR، دوربین ها و IMUها، این عدم قطعیت ها می توانند باعث خطا در تشخیص ویژگی، برآورد و نقشه ساختمان شوند.
انواع نویز سنسور
- سر و صدا Gaussian: [FLT 1] تغییرات تصادفی پس از توزیع طبیعی، رایج در بسیاری از سنسورها.
- سر و صدا: خطای سیستمیک که اندازه گیری ها را به طور مداوم در یک جهت تغییر می دهد.
- سر و صدا ثبت نام: [FLT 1] خطا در هنگام تبدیل دیجیتال سیگنال های آنالوگ معرفی شد.
- سر و صدا فعال: [FLT 1] عوامل خارجی مانند نورپردازی یا مداخله الکترومغناطیسی.
راه حل های سنسور سر و صدا Mitigate
چندین روش می تواند تاثیر نویز سنسور را بر دقت SLAM کاهش دهد.فیلتر کردن تکنیک ها، همجوشی سنسور و کالیبراسیون معمولاً روش های استفاده می شود.
فیلتر کردن تکنیک ها
- فیلتر کلیمن: داده های سنسور را برای برآورد وضعیت واقعی، کاهش اثرات سر و صدا ترکیب می کند.
- فیلتر ذرات: از مجموعه ای از فرضیه ها برای بهبود دقت محلی سازی استفاده می کند.
- ] فیلتر پراکنده: با جایگزینی هر اندازه گیری با متوسط ارزش های همسایه، حذف.
سنسور Fusion و کالیبراسیون
ترکیب داده ها از چندین سنسور می تواند ضعف سنسور فردی را جبران کند. کالیبراسیون منظم تضمین می کند که سنسورها اندازه گیری های ثابت و دقیق را ارائه می دهند و به حداقل رساندن خطاهای سیستماتیک.