Сочинение на тему Концепция SLAM (одновременная локализация и отображение)
- Опубликовано: 12.09.2020
- Предмет: Информационная наука, Наука
- Темы: Роботы, Технологии, Цифровая эра
SLAM – это алгоритм, который одновременно локализует робота и создает карту окружающей среды. Основные шаги, связанные с проблемой SLAM:
- Учитывая неизвестную среду и позу робота
- Перемещайся в окружающей среде
- Оцените позу робота
- Создать карту экологических характеристик
- Используйте 3D-карту для определения цели
Измените состояние робота, чтобы достичь цели
Одновременная локализация и картирование (SLAM) – это процесс, с помощью которого мобильный робот может построить карту неизвестной среды и одновременно вычислить свое местоположение, используя карту. SLAM был сформулирован и решен как теоретическая проблема во многих различных формах. Он был реализован в нескольких областях от внутреннего до наружного, и возможность объединения робототехники в хирургических вопросах привлекла внимание медицинского сообщества. Общей чертой является то, что точность навигации влияет на успех и результаты задачи независимо от области применения. С самого начала проблема SLAM разрабатывалась и оптимизировалась по-разному. Существует три основных алгоритма: фильтры Калмана (KF), фильтры частиц и SLAM на основе графов. Первые два также называются методами фильтрации, где оценки положения и карты дополняются и уточняются путем включения новых измерений, когда они становятся доступными. Из-за их возрастающей природы эти подходы обычно признаются в качестве методов SLAM в режиме онлайн. И наоборот, SLAM на основе графов оценивает всю траекторию и карту по полному набору измерений, и это называется полной проблемой SLAM.
методы KF
Смит и соавт. были первыми, кто представил идею представления структуры области навигации в рамках пространства состояний с дискретным временем, представив концепцию стохастической карты. Поскольку оригинальный алгоритм KF основан на допущении о линейности, которое выполняется редко, с тех пор в основном используются два варианта: расширенный KF (EKF) и фильтрация информации (IF). EKF преодолевает предположение о линейности, описывающее вероятность следующего состояния и вероятности измерения с помощью нелинейных функций.
Без запаха KF (UKF) был разработан в последние годы для преодоления некоторых основных проблем EKF. Он аппроксимирует распределение состояний гауссовой случайной величиной, как в EKF, но здесь он представлен с использованием минимального набора тщательно выбранных выборочных точек, называемых σ-точками. Когда они распространяются через нелинейную систему, они точно фиксируют среднее и заднее ковариации до 3-го порядка ряда Тейлора для любой нелинейности. Двойственный элемент KF – это информационный фильтр, который опирается на те же предположения, но ключевое различие возникает в способе представления веры Гаусса. Оцененная ковариация и оценочное состояние заменяются информационной матрицей и информационным вектором соответственно. Это дает несколько преимуществ перед KF: данные фильтруются простым суммированием информационных матриц и векторов, обеспечивая более точные оценки; информационный фильтр имеет тенденцию быть численно более стабильным во многих приложениях. KF является более выгодным на этапе прогнозирования, поскольку этап обновления является аддитивным, в то время как UKF включает в себя инверсию двух матриц, что означает увеличение вычислительной сложности с пространством состояний высокой размерности. В любом случае, эти роли поменялись местами на этапе измерения, иллюстрируя двойственный характер Калмана и информационных фильтров.
Вариант EIF, состоящий в приближении, которое поддерживает разреженное представление зависимостей от среды для достижения постоянного обновления времени. Они были вдохновлены другими работами по фильтрам SLAM, которые представляют относительные расстояния, но ни одна из них не может выполнять постоянное обновление времени. Чтобы преодолеть трудности как EKF, так и IF, и быть более эффективным с точки зрения вычислительной сложности, был разработан комбинированный алгоритм SLAM с калман-информационным фильтром (CF-SLAM). Это комбинация EKF и EIF, которая позволяет выполнять высокоэффективный SLAM в больших средах.
Методы фильтрации частиц
Фильтры частиц составляют большое семейство последовательных алгоритмов Монте-Карло, апостериорные представлены набором случайных выборок состояний, называемых частицами. Практически любая вероятностная модель робота, которая представляет марковскую цепную формулировку, может быть подходящей для их применения. Их точность увеличивается с доступным вычислительным ресурсом, поэтому не требуется фиксированное время вычислений. Их также относительно легко реализовать: им не нужно линеаризовать нелинейные модели и не беспокоиться о замкнутых решениях условной вероятности, как в KF. Низкая производительность в пространствах с большим размером является их основным ограничением. Необходимость повышения согласованности оценки вместе с проблемой неоднородности траектории выборок привела к принятию различных стратегий отбора проб.
iii.FastSLAM обозначает семейство алгоритмов, которое объединяет фильтры частиц и EKF. Он использует тот факт, что оценки характеристик являются условно независимыми, учитывая наблюдения, средства управления и путь робота. Это подразумевает, что проблема отображения может быть разделена на отдельные проблемы, по одной для каждого объекта на карте, учитывая, что отдельные ошибки карты также независимы. FastSLAM использует фильтры частиц для оценки пути робота и для каждой частицы использует EKF для оценки местоположений объектов, предлагая вычислительные преимущества по сравнению с простыми реализациями EKF и хорошо справляясь с нелинейными моделями движения роботов. Однако приближение частиц не сходится равномерно во времени из-за присутствия карты в пространстве состояний, которая является статическим параметром.
Техника максимизации ожиданий и улучшения с отсутствующими или скрытыми данными
EM – эффективная итерационная процедура для вычисления оценки параметров в вероятностных моделях с отсутствующими или скрытыми данными. Каждая итерация состоит из двух процессов: ожидание или E-шаг, оценивающий отсутствующие данные с учетом текущей модели и наблюдаемых данных; M-шаг, который вычисляет параметры, максимизирующие ожидаемое логарифмическое правдоподобие, найденное на E-шаге. Оценка недостающих данных из E-шага используется вместо фактических отсутствующих данных. Алгоритм гарантирует сходимость к локальному максимуму целевой функции.
Поскольку для этого требуется, чтобы все данные были доступны на каждой итерации. была реализована онлайн-версия, где нет необходимости хранить данные, поскольку они используются последовательно. Этот алгоритм также использовался, чтобы ослабить предположение, что среда во многих проблемах SLAM является статической. Большинство существующих методов являются надежными для сопоставления статических, структурированных и ограниченных по размеру сред, в то время как сопоставление неструктурированных, динамических или крупномасштабных сред остается открытой проблемой исследования. В литературе есть в основном два направления: разделение модели на две карты, одна из которых содержит только статические ориентиры, а другая – динамические ориентиры или пытается отслеживать движущиеся объекты при отображении статических ориентиров.
Методы SLAM на основе графов
SLAM на основе графиков решает проблему SLAM, используя графическую формулировку, что означает построение графа, узлы которого представляют позы или ориентиры роботов, связанные мягкими ограничениями, установленными измерениями датчиков, эта фаза называется входной. Серверная часть состоит в исправлении поз робота с целью получения согласованной карты окружающей среды с учетом ограничений. Критическая точка касается конфигурации узлов: чтобы максимально соответствовать измерениям, должна быть решена большая проблема минимизации ошибок. GraphSLAM уменьшает размерность задачи оптимизации с помощью метода исключения переменных. Нелинейные ограничения линеаризуются, и полученная в результате проблема наименьших квадратов решается с использованием стандартных методов оптимизации.
Visual SLAM
Отдельный абзац был посвящен визуальной SLAM, поскольку оптические датчики всегда больше используются в робототехнике и, в частности, в медицинской хирургии. Большинство основанных на зрении систем в задачах SLAM являются монокулярными и стереофоническими, хотя также существуют системы, основанные на тринокулярных конфигурациях. Монокулярные камеры довольно широко используются, но типы камер различны. Крупномасштабная прямая монокулярная SLAM использует только изображения RGB с монокулярной камеры в качестве информации об окружающей среде и последовательно строит топологическую карту. Всенаправленные камеры набирают популярность: они имеют 360-градусный обзор окружающей среды и, учитывая, что функции дольше остаются в поле зрения, их легче найти и отследить. Для повышения точности функций некоторые работы основаны на мультисенсорной системе. Оценки глубины, масштабные проблемы распространения или могут привести к режимам отказа из-за ненаблюдаемости. Стереосистемы широко применяются в различных средах как для определения ориентиров, так и для оценки движения в условиях окружающей среды и вне помещений.
В большинстве визуальных систем SLAM используются алгоритмы компьютерного зрения, в частности структура из движения (SfM). В настоящее время, благодаря высокопроизводительным компьютерам, такие методы, как настройка комплектов, вызывают большой интерес в сообществе робототехники, учитывая, что их редкие представления могут повысить производительность по сравнению с EKF.
Цель этого эксперимента – получить представление о полностью настраиваемой программе LabVIEW и понять, как инженеры используют программу в своих интересах, чтобы создать собственную лабораторию, которая
Кибербезопасность или защита информационных технологий – это методы защиты компьютеров, сетей, программ и данных от несанкционированного доступа или атак, направленных на эксплуатацию. Существует четыре типа
Машиностроение – это дисциплина, связанная с применением знаний при решении реальных задач. Изучение методов калибровки считается одной из наиболее важных тем в области проектирования, поскольку