Simultaneous localization and mapping Ing. Aleš Jelínek 11.4.2014

SLAM
Simultaneous localization and mapping
Ing. Aleš Jelínek
11.4.2014
Obsah
●
Proč sebelokalizace a mapy
●
Technické prostředky pro SLAM
●
Sebelokalizace
●
●
●
Lidská a strojová
●
Úskalí a jejich řešení
Mapy
●
Druhy map
●
Tvorba mapy
Rekapitulace a závěr
Proč sebelokalizace?
●
●
●
●
Bezpečnost
Rozpoznání
objektů zájmu
Orientace ve
známé mapě
Plánování trasy
Proč mapování?
●
●
Získávání
zkušeností
(paměť)
Průzkum
(nebezpečí,
přesnost)
Technika pro SLAM
●
Dálkoměrné senzory
●
●
Snímání obrazu
●
●
Laserové skenery, ultrazvukové sonary
Kamery, termokamery
Externí navigační systémy
●
GNSS, signální majáky, vodicí čáry,
orientační značky
Souřadné systémy
●
●
Měříme vždy vůči předem známé
vztažné soustavě
Souřadný systém je definován:
Tři lineárně nezávislé vektory ve 3D
Dva lineárně nezávislé vektory ve 2D
Lidská sebelokalizace
●
●
●
Mozek dobře řeší abstraktní úlohy
=> srovnávání vzorů, hledání
významných orientačních bodů
Pouze hrubý odhad vzdáleností
Pohyb řídíme zpětnovazebně v
uzavřené smyčce
Strojová sebelokalizace
●
Velmi přesné výpočty a měření
●
Omezená výpočetní kapacita
●
''Pouze'' umělá inteligence
●
Pohyb buď není regulován v
uzavřené smyčce vůbec, nebo
využívá jen jednoduchou zpětnou
vazbu
Konečná přesnost
●
●
Žádný snímač neměří zcela přesně,
vždy má chybu
Absolutní měření
●
●
měříme vůči pevné vztažné soustavě
=> chyba je konstantní
Relativní měření
●
měříme vůči předchozímu měření
=> chyba se sčítá
Aditivní chyba
●
Vzniká pokud se robot neorientuje
vůči vnějšímu prostředí
●
●
např. dráha odvozená pouze od měření
akcelerometry, gyroskopy, odometrií, …
Vzniká i v případě, že střední
hodnota chyby je nulová
Aditivní chyba v praxi
Nárůst nejistoty
se zvyšujícím se
počtem měření
Aditivní chyba s
nenulovou
střední hodnotou
Korekce aditivní chyby
●
Vždy je třeba polohu korigovat
podle stabilní reference
●
●
GNSS, orientační body, předem známá
mapa, statické objekty v okolním prostředí
Metody korekce
●
ICP, Kalmanův filtr, částicové filtry
ICP - Iterative Closest Point
●
●
Použití při sesazování jednotlivých měření
do mapy, případně zpřesnění pozice podle
známé mapy
Funguje na principu minimalizace sumy
kvadrátů vzdáleností mezi zvolenými body
Převzato z:http://groups.csail.mit.edu/
Mapy
●
Členění podle reprezentace
objektů v mapě
●
●
Mřížková, geometrická, objektová
Členění podle souvislostí mezi
objekty
●
Metrická, topologická
Tvorba mapy
●
Přidávání nových pozorování
●
Aktualizace starších pozorování
●
●
Některé dříve pozorované objekty zmizely
Zpřesnění starších pozorování
●
Nová nezávislá měření pro statistické
zpracování
Tvorba mapy prakticky
Sestavení mapy pouze podle
předpokládané trajektorie robota
Sestavení mapy s využitím
informace o okolním prostředí
Konzistentnost mapy
●
Jednomu bodu
v prostoru
odpovídá jeden
bod v mapě
Konvergence mapy
●
S pokračujícím průzkumem se
mapa zpřesňuje
Pružná mapa, převzato z [1]
Rekapitulace
●
Využití SLAM
●
Principy SLAM u lidí a robotů
●
●
Vlastnosti aditivní chyby a
možnosti její korekce
Tvorba map, jejich druhy a
nejdůležitější vlastnosti
Literatura
[1] H. Durrant-Whyte and T. Bailey, “Simultaneous
Localization and Mapping : Part I.” 2006.
[2] T. Bailey and H. Durrant-Whyte, “Simultaneous
Localization and Mapping: Part II,” no. September.
pp. 108–117, 2006.
[3] L. Oswald, “Recent development of the
Iterative Closest Point algorithm.” 2010.
[4] S. Thrun, “Robotic Mapping : A Survey,” 2002.