Simultaneous Localization and Mapping (SLAM)은 로봇 및 자율 시스템의 핵심 기술입니다. 동시에 로봇의 위치를 추적하는 동안 알 수없는 환경의지도를 구축합니다. SLAM에서 사용되는 두 가지 일반적인 알고리즘은 Kalman Filter 및 Particle Filter입니다. 올바른 접근 방식을 선택하면 응용 프로그램의 특정 요구 사항 및 제약에 따라 다릅니다.

SLAM의 Kalman 필터

Kalman 필터는 측정을 통해 예측을 결합하여 시스템의 상태를 추정하는 수학 알고리즘입니다. 이 시스템은 선형 및 소음이 가우스입니다. SLAM에서 확장 된 Kalman 필터 (EKF)는 비선형성을 처리하는 데 종종 사용됩니다.

Kalman 필터의 장점은 computational 효율성과 단순성을 포함합니다. 그것은 선형 동적 및 Gaussian 소음과 같은 실내 로봇과 같은 예측 가능한 운동을 적용 할 수 있습니다.

SLAM에 있는 입자 필터

Particle Filter는 Monte Carlo Localization로도 알려진 입자는 로봇의 위치의 유능한 분포를 나타내는 입자 세트를 사용합니다. Kalman Filter보다 비선형 및 비규산 시스템을 더 효과적으로 처리 할 수 있습니다.

입자 필터는 더 많이 복잡하지만 주위 또는 노이즈 데이터와 복잡한 환경에서 더 나은 정확도를 제공합니다. 그들은 Kalman 필터의 가정이 붙지 않는 야외 또는 동적 환경에 적합합니다.

어떤 접근은 당신의 신청을 적합합니까?

환경, 계산 자원 및 두 가지 알고리즘 중에서 선택할 때 정확도 요구 사항을 고려하십시오. 제한된 처리 전력을 가진 간단하고 예측 가능한 환경을 위해 Kalman 필터가 충분할 수 있습니다. 복잡한 환경으로 고정밀도를 요구하는 동적 환경은 종종 선호합니다.

  • 환경 복잡성
  • 사용 가능한 전력
  • 필수 정확도
  • 시스템 선형성
  • 소음 특성