SLAM及SLAM方法及语义输出

许多家庭现在使用自动吸尘器，该吸尘器内置激光雷达传感器，并使用 SLAM 来清洁地板。还有最后一英里的送货机器人和仓库机器人，利用 SLAM 来快速适应不断变化的操作环境。

SLAM 受益于激光雷达和边缘计算等新进步，不断发展并突破界限。SLAM 有许多变体，每种变体都有优点和缺点，具体取决于用例。

SLAM 是机器人技术中的重要组成部分，可帮助机器人在地图上估计其姿态（位置和方向），同时创建环境地图以执行自主活动。

为什么要使用SLAM

通过利用 SLAM，吸尘器能够仅更新与上次扫描相比发生变化的位置。这样一来，它就能更高效地完成扫地的主要工作。机器人可以依靠墙壁来获得一致的参考，但是当一件家具位于意外位置时，机器人将更新地图。

类似的好处也适用于其他自主机器人，例如最后一英里的送货机器人。社区的总体地图可以提供给送货机器人，但机器人可以通过 SLAM 来响应任何新物体，例如停放的汽车或行人。 

矿井的 SLAM 输出

当无法获取地图时，例如矿井、火山隧道或火星，也可以使用 SLAM自主机器人能够检查此类未知条件，创建准确的地图，并与控制器共享结果以进行进一步的研究或探索。

基于相机的 SLAM

当相机用于捕捉场景时，它能够记录具有丰富细节的高分辨率图像。计算机视觉算法，例如SIFT（尺度不变特征变换）或ORB（定向FAST和旋转BRIEF），可用于检测特征。例如，如果机器人使用相机绘制仓库地图，则记录的图片可能有托盘、货架和门。通过检查相邻像素颜色的差异，机器人可以识别场景中存在不同的物体。

基于激光雷达的 SLAM

与基于相机的 SLAM 不同，激光雷达传感器本身收集有关场景中捕获的物体的深度和几何形状的信息。如果上面的同一仓库机器人使用激光雷达传感器而不是相机，它将使用返回到传感器的距离和形状来识别物体。事实上，基于激光雷达的 SLAM 使用通过设备记录的边缘和平面作为特征，而不是相邻像素来连接视觉信息并创建地图。与相机不同，这种方法更擅长创建 3D 地图的数字孪生副本，更加真实。 

如何选择合适的SLAM

SLAM 方法有很多种，其功能也截然不同。此外，每种方法都有优点和缺点，具体取决于用例。让我们看一下有助于决定 SLAM 算法的一些区别。 

一类是SLAM算法的输出。例如，如果您在公园，您是否想知道树木和长凳的相对位置（拓扑法）或它们之间的确切距离（公制法）？此外，您是否计划重新创建公园的数字副本（体积法）或仅仅足够的信息来区分对象（基于特征的方法）？正如您可以想象的那样，某些输出需要大量资源，甚至需要不同类型的传感器来完成这项工作。

另一个因素是环境的性质。您运行 SLAM 算法的位置是不会随时间变化的静态位置还是需要更新的动态位置？想象一下，一个机器人在仓库空荡荡的过道上漫步，但在回来的路上发现了成堆的托盘。它是否能够关闭循环并建立在同一位置但仅添加不同对象的连接？

最后但并非最不重要的是多机器人实例。当多个机器人在仓库内自主导航时，可能会面临不同的挑战。一个挑战是能够在没有其他机器人的情况下创建干净的地图。如何确保每个机器人都知道其他机器人的位置，以便能够在映射中排除它们？如果机器人可以相互通信，每个机器人是否可以在本地创建较小的地图并与中央系统共享以创建整个地图？ 

正如您所看到的，没有一种 SLAM 算法可以满足所有用例。然而，SLAM仍在随着技术的进步而不断发展。为了取得成功，需要真正理解用例并灵活地测试不同的算法以找到最 佳解决方案。

SLAM 之后会发生什么

一开始我们用在异地醒来的例子来解释SLAM是绘制周围环境的地图并在地图上定位你所在位置的行为。然而，这排除了地图上的“什么”。当我们看到一棵树时，我们就知道它是一棵树，但机器人却不知道。我们需要让他们知道，他们面前中心散布着点的高大物体实际上是一棵树。在 SLAM 输出中添加语义可以提高机器人可以实现的自主水平。例如，如果机器人能够识别人类并在他们附近减速以防止突然移动而发生事故，那么它就可以更安全地在仓库周围移动。 

随着机器学习的发展，向 SLAM 添加语义变得越来越容易，进一步扩展了 AGV 和 AMR 的用例。自动叉车可以识别托盘及其孔以便运输托盘，自动挖掘机可以移动到特定位置挖掘土壤。

结论

我们了解了同步定位和建图是什么、实现 SLAM 的不同算法，以及增强自主水平的语义的添加。正如您所见，SLAM 并不是一个容易理解的概念，即使对于经验丰富的从业者来说，也不容易应用到用例中。在实施之前有许多考虑因素需要仔细检查。