Slam simultaneous localization and mapping
Tegelijkertijd localiseren en mappen
SLAM (Simultaneous Localization and Mapping) is een fundamenteel probleem in de robotica. Een robot die zich in een onbekende omgeving bevindt, moet twee dingen tegelijk doen: zijn eigen positie bepalen (localisatie) en een kaart van de omgeving opbouwen (mapping). Deze twee taken zijn afhankelijk van elkaar: om te localiseren heb je een kaart nodig, en om te mappen moet je weten waar je bent. SLAM lost dit op met een probabilistisch model. De robot gebruikt sensoren zoals camera's, LiDAR, IMU en wielencoders om zijn omgeving waar te nemen. Op basis van deze metingen schat hij zijn positie en de kaart. Er zijn verschillende soorten SLAM. EKF-SLAM gebruikt een Extended Kalman Filter om de toestand te schatten. FastSLAM gebruikt particle filters. Graph-based SLAM bouwt een graaf van posities en beperkingen, en optimaliseert deze met least-squares. Visuele SLAM gebruikt camera's en kenmerken in het beeld. LiDAR-SLAM gebruikt laserafstandsmeters voor nauwkeurige kaarten. SLAM wordt gebruikt in zelfrijdende auto's, drones, robotstofzuigers, augmented reality en ruimtevaart. Het is een van de meest bestudeerde problemen in de robotica.
Uitdagingen en varianten
SLAM kent verschillende uitdagingen. Loop closure is het probleem van het herkennen van een eerder bezochte locatie, wat essentieel is om drift te corrigeren. Drift ontstaat doordat kleine fouten zich opstapelen over tijd. Loop closure kan worden gedetecteerd met plaatsherkenning, bijvoorbeeld met bag-of-words of deep learning. Een andere uitdaging is dynamische omgevingen: mensen en voertuigen bewegen, wat de metingen beïnvloedt. Ook schaal is een probleem: bij grote omgevingen groeit de kaart en de rekenkracht. Multi-agent SLAM, waarbij meerdere robots samenwerken, is een actief onderzoeksgebied. Er bestaan ook verschillende sensormodaliteiten. Visuele SLAM is goedkoop maar gevoelig voor lichtomstandigheden. LiDAR-SLAM is nauwkeurig maar duur. Radar-SLAM werkt in slechte weersomstandigheden. Sensor fusion combineert meerdere sensoren voor robuustheid. SLAM wordt gecombineerd met path planning en navigatie om autonome systemen te bouwen. Het is een essentieel onderdeel van elk autonoom voertuig, of het nu een robotstofzuiger, een drone of een zelfrijdende auto is.
Toepassingen en toekomst
SLAM wordt in veel domeinen toegepast. In de robotica wordt het gebruikt voor mobiele robots die zich zelfstandig door gebouwen moeten navigeren. In de zelfrijdende auto wordt het gebruikt voor het lokaliseren van het voertuig en het bouwen van een kaart van de omgeving. In de ruimtevaart wordt SLAM gebruikt voor rovers op Mars, die zonder GPS moeten navigeren. In augmented reality wordt SLAM gebruikt om virtuele objecten in de echte wereld te plaatsen. In de logistiek worden AGV's (automatische geleide voertuigen) met SLAM door magazijnen gestuurd. De toekomst van SLAM ligt in het combineren met deep learning. End-to-end SLAM-systemen leren direct van sensordata naar kaart en positie, zonder handmatig ontworpen features. Ook worden SLAM en path planning steeds vaker geïntegreerd in één systeem. Daarnaast is er aandacht voor semantische SLAM, waarbij de kaart niet alleen geometrie maar ook objecten en hun betekenis bevat. SLAM blijft een van de meest uitdagende en fascinerende problemen in de robotica, met directe impact op de ontwikkeling van autonome systemen.