что такое slam навигация

Система навигации и построения карт vSLAM

В современных роботах-пылесосах используются новейшие технологии, позволяющие строить и прокладывать наиболее оптимальный маршрут во время уборки. С этой целью используется метод одновременной навигации и построения карты, известный как SLAM (Simultaneous Localization And Mapping). Часто встречается обозначение VSLAM, где символ V означает «визуальный». Данный метод помогает выстроить карту в совершенно незнакомом пространстве или обновить уже существующий маршрут. Одновременно контролируется текущее положение пылесоса и его пройденный путь.

История развития интеллекта роботов

У самых первых роботов-пылесосов отсутствовала картография, режимы движения vslam, поэтому их перемещение по квартире было беспорядочным и хаотичным. В наиболее продвинутых моделях к этому режиму добавлялось движение по спирали и вдоль стен. В дальнейшем, навигация несколько улучшилась и стала способна оценивать примерную квадратуру по некоторым явным признакам. В основном, использовалось количество ударов при столкновении робота с препятствиями. Если это происходило слишком часто, значит у этого помещения небольшие размеры.

Позднее умные пылесосы были оборудованы дополнительным приспособлением – маячком-координатором, закрывающим устройство в ограниченном пространстве на определенное время. Эти маяки устанавливались в дверных проемах и запирали агрегат в той или иной комнате на заданное время. Таким образом, зоны и режим уборки распределялись равномерно, однако, оставалась проблема пропусков мест, остающихся неубранными.

Через некоторое время система навигации устройств дополнилась камерой. В результате, пылесос охватывал все доступные площади и не оставлял загрязненных мест. Одновременно, он запоминал место, где находится база для зарядки. Постепенно модели роботов еще более совершенствовались и значительно «поумнели» с появлением слэма – метода SLAM.

Что такое SLAM

Метод SLAM состоит из двух независимых процессов, одновременно включающих в себя навигацию и построение карты маршрута. Во время его действия выполняются последовательные вычисления, проводимые в непрерывном цикле. Полученные результаты оказываются взаимосвязаны, уточняя и дополняя друг друга.

Отвечая на вопрос, что такое slam следует отметить, что для построения карты требуется сбор информации, поступающей от датчиков, ее последующая интеграция и обработка. По итогам анализа полученных данных, составляется представление об окружающем пространстве.

В то же самое время выполняется локализация, определяющая расположение пылесоса на полученной карте. Условно она разделяется на два типа – локальную и глобальную. В первом случае положение робота известно заранее, а во втором – локализация осуществляется для незнакомого места. Последний вариант, помимо основной задачи, дает возможность найти похищенный пылесос.

Таким образом, метод SLAM заключается в одновременном построении карты и локализации объекта на этой карте. Эти задачи решаются в комплексе не могут выполняться вне зависимости между собой. То есть, карта нужна для локализации, а локализация требуется для того, чтобы создать карту. Определенные трудности в этом процессе создает относительно низкая точность приборов, принимающих участие в вычислениях.

Построение карт SLAM

Карты помещений строятся двумя методами – камерами (рис. 1) и лазерным дальномером (рис. 2). В первом варианте используется навигация vslam – выполняется фотографирование поверхностей и дверных проемов. Полученные данные сохраняются в памяти устройства и применяются в дальнейшей работе.

Некоторые модели для обработки информации пользуются технологией NST, которая делает сравнение фотографий, полученных с камеры. Эти данные необходимы в дальнейшем для корректировки маршрута. Таким образом, камерная технология обеспечивает более качественное построение карт помещений, сокращает количество ошибок и захватывает большие площади для уборки.

Второй метод – лазерный был впервые использован американской компанией Neato. В каждой модели был установлен лазерный дальномер, расположенный в специальной башенке сверху корпуса. Основная задача данного устройства заключается в измерениях расстояний от пылесоса до предметов, встречающихся на его пути.

Карты SLAM в роботах-пылесосах

Современные пылесосы оборудованы обеими технологиями – камерной и лазерной. Наиболее популярными моделями считаются следующие:

Источник

SLAM (метод)

Из Википедии — свободной энциклопедии

SLAM (англ. simultaneous localization and mapping — одновременная локализация и построение карты) — метод, используемый в мобильных автономных средствах для построения карты в неизвестном пространстве или для обновления карты в заранее известном пространстве с одновременным контролем текущего местоположения и пройденного пути. Популярные методы приближённого решения данной задачи — фильтр частиц и расширенный фильтр Калмана. Некоторые реализации метода используются в беспилотных автомобилях, летательных аппаратах, автономных подводных аппаратах, планетоходах, и даже внутри человеческого тела.

Насущность проблемы связана с тем, что карты, обычно используемые для навигации агентов, в основном отражают вид пространства, зафиксированный в момент их построения, и совсем не обязательно, что вид пространства будет тем же в момент использования карт. При этом сложность технического процесса определения текущего местоположения с одновременным построением точной карты обусловлена низкой точностью приборов, участвующих в процессе вычисления текущего местоположения. Метод одновременной навигации и построения карты увязывает два независимых процесса в непрерывный цикл последовательных вычислений, при этом результаты одного процесса участвуют в вычислениях другого процесса.

Основные подходы, используемые для реализации задачи — EKF-SLAM, FastSLAM, DP-SLAM. При относительно больших исследуемых площадях применяются многоагентные системы (такой подход был применён при исследовании картографии Марса группой роботов-марсоходов и соединении исследуемых карт в одну).

Источник

SLAM, VSLAM, LDS: разбираемся, какой тип навигации для робота-пылесоса лучше?

SLAM, VSLAM, LDS: разбираемся, какой тип навигации для робота-пылесоса лучше?

PROJECT OVERVIEW

Практически все интернет ресурсы, бесчисленное множество обзоров и статей сообщат вам, что тип навигации – важнейший фактор, на который первоочередно стоит обратить свое внимание, приобретая робот-пылесос. Запутаться в этой тематике просто, ведь рынок ежегодно расширяется, пополняясь усовершенствованными девайсами. Спешим на помощь и подробно разбираем три самых популярных типа навигации, существующих на сегодняшний день.

SLAM-навигация

Несколько лет назад такой тип навигации считался наиболее «продвинутым», сейчас же практически все премиальные модели ориентируются в пространстве с помощью камеры или лидара. Несмотря на это, модели, оснащенные SLAM-навигацией, все еще выпускаются и активно продаются.

Почему SLAM-навигация остается популярной при существовании двух других более совершенных типов?

Как работает SLAM-навигация?

SLAM-навигация позволяет девайсу строить карту в незнакомом месте и проецировать ее повторно на уже известной территории. В начале работы прибор запоминает точку старта и обрисовывает в своей памяти проложенный путь, что позволяет ему не повторяться и оперативно справляться с поставленной задачей. Сведения об окружающей среде робот-пылесос получает благодаря инфракрасным сенсорам, обычно установленным на бампере устройства. Современные роботы-пылесосы дают возможность просматривать карту помещения в приложении на мобильных гаджетах.

Яркий представитель: Panda Evo

VSLAM + камера

Доработанная версия навигационной системы, описанной пунктом ранее. Оснащение девайсов камерой позволяет за считанные секунды анализировать пространство, запоминая расположение предметов по территории и используя потолок для ориентирования. Такой формат выстраивает более точный план очистки помещения, который можно просмотреть в мобильном приложении. Отличие от первого типа: пользователь может взаимодействовать с картой. Приложение открывает доступ к выстраиванию виртуальных стен и обозначению конкретных мест для локальной очистки.

Яркий представитель: Okami U90

Лазерная навигация на базе лидара

Переходим к самому совершенному типу навигации, фигурирующему практически во всех премиальных моделях роботов-пылесосов. Лидар – конструкция в виде башенки, установленная на корпусе устройства и оснащенная высокоточным лазером. Именно он собирает информацию из внешней среды о предметах и расстояниях до них.

Лидар позволяет наиболее точным и быстрым образом анализировать пространство. Вдобавок процесс сканирования теперь возможен даже при темном освещении, что несвойственно для навигации на базе камеры.

Яркий представитель: Okami U100

Что же лучше?

Однозначный ответ на данный вопрос отсутствует. Все три типа навигации обладают своими достоинствами и правильно соотносятся со стоимостью устройства. Конечно, самыми прорывными и технологичными являются модели, оснащенные лидаром. Они способны убирать габаритные помещения, функционировать ночью и быстрее всех справляться с обязанностями.

Однако и более бюджетные модели эффективно приберут вашу жилплощадь. При выборе устройства опирайтесь на метраж помещения, особенности планировки и доступный вам бюджет. Современный рынок предлагает сотню вариантов, среди них обязательно найдется нужный робот-пылесос.

Источник

SLAM — Simultaneous Localization And Mapping — Метод одновременной навигации и построения карты — метод, используемый роботами и автономными транспортными средствами для построения карты в неизвестном пространстве или для обновления карты в заранее известном пространстве с одновременным контролем текущего местоположения и пройденного пути.

Метод одновременной навигации и построения карты (SLAM) — это концепция, которая связывает два независимых процесса в непрерывный цикл последовательных вычислений, при котором результаты одного процесса участвуют в вычислениях другого процесса.

Построение карты — это проблема интеграции информации, собранной с датчиков робота. При этом процессе, робот как бы отвечает на вопрос: «Как выглядит мир?»
Главными аспектами в построении карты являются представление данных об окружающей среде и интерпретация данных датчиков.
Напротив, локализация — это проблема определения местоположения робота на карте. При этом, робот как бы отвечает на вопрос «Где я?»
Локализацию можно разделить на два вида — локальная и глобальная.
Локальная локализация позволяет отследить местоположение робота на карте, когда его начальное местоположение известно, а глобальной локализация — это определение местоположения робота на незнакомом месте (например, при похищении робота).

Т.о. метод одновременной навигации и построения карты (SLAM) — это проблема построения карты и локализации робота на этой карте. На практике, эти две проблемы не могут быть решены независимо друг от друга. Прежде чем робот сможет ответить на вопрос о том, как выглядит окружающая среда (исходя из серии наблюдений), он должен знать, где эти наблюдения были сделаны. В то же время, трудно оценить текущее положение робота без карты.
Вот и выходит, что SLAM является типичной проблемой курицы и яйца: карта необходима для локализации, а локализация необходима для создания карты.

Кроме того, сложность определения текущего местоположения и построения карты, обусловлена низкой точностью приборов, участвующих в процессе вычисления текущего местоположения.

GMapping — реализация метода SLAM на основе данных от лазерного дальномера и одометрии робота (подробности на OpenSLAM.org).

Но вместо лазерного дальномера вполне можно использовать и Kinect.
Это уже реализовано и используется на роботе TurtleBot — SLAM Map Building with TurtleBot:

Testing ROS with the gmapping package

VSLAM — Visual SLAM — визуальный SLAM — реализация метода SLAM на основе методов компьтерного зрения

стек vslam — экспериментальная попытка реализации визуального SLAM-а.
Визуальный SLAM — направление очень интересное и перспективное, но так как метод основывается на отслеживании ключевых точек (features, keypoints) на изображении, поступающем с камер робота, то когда камера движется быстро (например, при поворотах робота), возникает размытие изображения и возможности для отслеживания ключевых точек теряются и алгоритм перестаёт работать.

rgbdslam — пакет, для регистрации облака точек с RGBD датчиков, таких как Kinect или стерео-камеры.

Nikolas Engelhard and Felix Endres and Jürgen Hess and Jürgen Sturm and Wolfram Burgard, «Real-time 3D visual SLAM with a hand-held RGB-D camera», 2011. (PDF)

hector_mapping — SLAM для платформ без одометрии — только на основе данных от LIDAR-ов. Использует высокую скорость обновления современных систем лазерного сканирования, например, Hokuyo UTM-30LX и обеспечивает данные оценки 2D-положения со скоростью сканирования датчиков (40Гц для UTM-30LX).

karto — SLAM на основе одометрии робота и данных лазерного дальномера.

находятся в процессе разработки:
ScaViSLAM — фреймворк для визуального SLAM-а

H. Strasdat, A.J. Davison, J.M.M. Montiel, and K. Konolige, Double Window Optimisation for Constant Time Visual SLAM Accepted for the IEEE International Conference on Computer Vision (ICCV), 2011. (PDF)

mrpt_slam — оболочка для использования методов SLAM из библиотек MRPT (Mobile Robot Programming Toolkit)

Источник

Обзор алгоритмов SLAM для камер глубины в ROS

Добрый день уважаемые читатели! В последней статье я уже писал об алгоритме rtabmap SLAM в контексте методов визуальной одометрии. В этой статье я расскажу об этом алгоритме SLAM более подробно, а также представлю обзор другого известного алгоритма SLAM, предназначенного для камер глубины — RGBDSLAM. Кого заинтересовало, прошу под кат.

rtabmap

О проекте можно прочитать подробно на официальной странице.

Процедуру установки rtabmap я подробно описывал в предыдущей статье. Например, на системе Ubuntu 14.04 установка будет выглядеть таким образом:

Однако, на Raspberry Pi 3 с установленным ROS Kinetic этот способ не будет работать, поскольку билд rtabmap отключен в релизе Kinetic для ARM из-за проблемы с libpcl-dev (подробнее о проблеме можно прочитать здесь). Поэтому скомпилируем его из исходников следуя инструкции на странице rtabmap:

Если на Raspberry Pi не доступен swap, то во время компиляции может не хватить виртуальной памяти:

Нужно добавить swap память по инструкции отсюда и заново запустить компиляцию.
Компиляция должна занять около часа. После этого выполним установку:

Установим rtabmap_ros пакет в нашем рабочем каталоге catkin:

При выполнении catkin_make возможно появление ошибки из-за отсутствия файла image_transportConfig.cmake. В таком случае нужно скомпилировать пакет image_transport в рабочем каталоге catkin_ws:

Для того, чтобы не возникало ошибки с загрузкой динамических библиотек при запуске узлов rtabmap_ros, рекомендуется добавить следующую строку в

Использование rtabmap для построения карты

Создадим новую базу данных: File → New database:

Для камеры Kinect по умолчанию используется драйвер OpenNI-PCL:

Запустим процедуру построения карты, нажав на кнопку «Start»:

rtabmap также можно использовать с rviz:

Откроется окно rviz:

Добавим дисплей Odometry и выберем топик “/rtabmap/odom”. После некоторого перемещения камеры в пространстве мы получим в rviz подобную картинку:

После того, как мы полностью пройдем помещение с камерой, мы получим:

Если мы будем двигаться по помещению медленно, гладко перемещая камеру без резких движений, то мы может получить довольно точную карту:

Мы можем добавить дисплей Map типа OccupancyGrid и выбрать топик “/rtabmap/proj_map” для визуализации плоской карты (как если бы мы использовали gmapping):

При закрытии окна rviz база данных и карта автоматически сохраняются на диске (путь выводится в строке в терминале).

Использование rtabmap на Raspberry Pi 3 с ASUS Xtion Pro Live

Выбираем драйвер OpenNI2 для камеры Xtion Pro Live:

Запускаем процедуру построения карты кнопкой Start:

Спустя некоторое время в процессе перемещения с камерой:

На Raspberry Pi процесс rtabmap у меня оказался довольно ресурсоемкий (использовал 250 — 300 % CPU). Иногда окно темнело, один раз rtabmap упал с ошибкой Segmentation fault.

При использовании настроек по умолчанию rtabmap работает на Raspberry Pi крайне медленно, фреймрейт очень низкий. Для эффективной работы нужно настроить входную частоту кадров. Для этого в верхнем меню открываем Window → Preferences → General settings (GUI) и наживаем кнопку «Load settings. ». Устанавливаем значение 30 Hz для «input rate»:

О настройке параметров в rtabmap можно подробнее прочитать здесь.

Теперь процедура построения карты работает намного быстрее:

Карта почти готова:

Наша задача здесь получить успешную детекцию циклов (loop closure detection). В случае успешной детекции циклов кандидат подсвечивается зеленым фоном.

Также можно показать результат детекции цикла в панели «3D loop closure». Для этого в верхнем меню выберем: Window → Show view → 3D Loop closure. Используя кнопки с цифрами от 1 до 5 мы можем изменить формат представления облаков точек (произвольные цвета, цветовой градиент по осям (axis oriented colors) или RGB):

Мы можем нажать кнопку Pause для приостановки и кнопку Stop для завершения процесса. Мы также можем выйти из программы и сохранить наш прогресс в базе данных. При закрытии программа покажет всплывающее окно с предложением сохранить изменения. В дальнейшем мы можем возобновить процесс, запустив программу и выбрав существующую базу данных.

Нам предложат загрузить карту для базы данных.

У меня получилась такая карта (я снимал часть помещения):

В настройках rtabmap (в верхнем меню Window → Preferences) можно выбрать алгоритм вычисления одометрии (использумый дескриптор визуальных признаков). Для этого в настройках выберем: RTAB-Map Settings → Memory → Vocabulary около пункта Feature selection и выберем алгоритм из выпадающего списка Visual word type:

В моих экспериментах одометрия с визуальным словарем GFTT+BRIEF работает лучше всего, BRISK показала худший результат (не удалось получить детекцию цикла совсем). При использовании GFTT+BRIEF, детекция цикла была получена сразу после полного оборота с камерой вокруг комнаты. Алгоритм ORB используется по умолчанию и дает не очень хорошие результаты.

rtabmap поддерживает довольно широкий выбор камер (RGB-D камеры Intel RealSense, ASUS Xtion, Kinect v1 и v2, а также стерео камеры Bumblebee2 и ZED camera) и несколько возможных сценариев построения карты с использованием различных комбинаций камеры, лидара и сенсора IMU (туториалы можно посмотреть здесь).

RGBDSLAM

Установка RGBDSLAMv2

О RGBDSLAM можно прочитать подробно на официальной странице ROS и на странице github.

Устанавливаем RGBDSLAM из исходников:

Устанавливаем библиотеку libg2o:

где ros_version — версия ROS (hydro, indigo или kinetic).
Компилируем RGBDSLAM в рабочем каталоге catkin:

Мне не удалось установить RGBDSLAM на Raspberry Pi из-за проблемы с Qt, поэтому здесь я рассматриваю работу алгоритма только на ROS Indigo с камерой Microsoft Kinect.

Использование RGBDSLAMv2

RGBDSLAMv2 можно запустить двумя способами. Во-первых, с помощью launch файла:

Либо отдельно запустить openni_launch и узел RGBDSLAMv2:

Мы увидим подобный экран:

Построение карты начнется сразу после запуска программы. RGBDSLAM довольно ресурсоемкий, у меня команда top показала 155% загрузки процессора для процесса rgbdslam.

Когда построение карты завершено, необходимо остановить обработку потока с камеры, сняв галочку Processing в меню Processing:

Построение карты завершено:

Мы можем сохранить карту. Также можно сбросить текущий прогресс в процедуре построения карты, выбрав Reset в меню Processing:

Подробную инструкцию по использованию RGBDSLAM можно найти на официальной странице.

Как показали эксперименты, данные алгоритмы SLAM вполне пригодны для использования в робототехнических проектах на основе ROS при наличии RGBD камеры Microsoft Kinect и дают в результате неплохую карту местности. К сожалению, не все методы работают на ARM платформах (по крайней мере, на Raspberry Pi). Преимуществом инструмента rtabmap является возможность гибкой настройки различных параметров по своему желанию.

Таким образом, мы рассмотрели два наиболее известных алгоритма SLAM для RGBD камер, которые имеют собственную реализацию в ROS. Желающие могут ближе познакомиться с различными сценариями использования данных алгоритмов на официальных страницах (к сожалению, только на английском языке) и применить их в своих проектах. Желаю всем удачи в экспериментах и буду рад ответить на любые ваши вопросы в комментариях. До новых встреч!

Источник