Simultaneous Localization and Mapping (SLAM)은 로봇과 자율 시스템에서 사용되는 프로세스로 인해 위치의 추적을 유지하면서 알 수없는 환경의지도를 구축합니다. 주변 및 루프 폐쇄를 처리하는 것은 SLAM의 중요한 과제이며, 매핑 프로세스의 정확성과 신뢰성에 영향을 미칩니다.

SLAM에서의 Ambiguity 처리

센서 데이터가 다른 위치 또는 기능간에 명확하게 구별되지 않는 경우 암비게이션이 발생합니다. 이를 해결하기 위해 SLAM 시스템은 종종 다양한 저하물의 likelihood를 추정하는 유전체적인 방법을 통합합니다. 이 방법은 로컬라이제이션 및 매핑에서 데이터 관리 및 오류를 줄이는 데 도움이됩니다.

입자 필터와 Kalman 필터와 같은 기술은 일반적으로 로봇의 위치에 대한 여러 개의 저하를 유지하도록 사용됩니다. 이 필터는 새로운 센서 데이터로 확률 분배를 업데이트하여 주변 상황에 적응 할 수있는 시스템을 허용합니다.

루프 폐쇄 감지

루프 폐쇄는 이전에 방문한 위치에 로봇이 돌아올 때 인식을 나타냅니다. 루프 폐쇄를 감지하는 것은지도에서 축적 된 오류를 수정하고 전반적인 정확성을 향상시킵니다.

많은 SLAM 시스템은 기능 기반 매칭 알고리즘을 사용하여 루프 폐쇄를 식별합니다. 이 알고리즘은 이전 위치에서 저장된 데이터를 비교하여 일치를 찾을 수 있습니다. 일치가 확인되면 시스템은 이전의 현재 위치를 정렬 할 수있는지도를 조정할 수 있습니다.

반복 폐쇄 및 Ambiguity 처리의 향상을 위한 기술

  • Graph-based SLAM: 노드로 포즈와 랜드마크를 대표하며, 전체 그래프를 선택하여 오류를 최소화합니다.
  • Place Recognition: 이전에 방문한 위치를 식별하기 위해 시각적 또는 LiDAR 기능을 사용합니다.
  • Robust Data Association:다른 스캔들에서 기능의 올바른 일치를 보장합니다.
  • 센서 융해: 은 여러 센서에서 데이터를 결합하여 불확실성을 감소시킵니다.
  • Outlier Rejection: 필터 잘못된 루프 폐쇄로 이어질 수 있는 잘못된 데이터.