SLAM - الترجمة المتزامنة ورسم الخرائط - هي بالفعل تقنية راسخة في مجال الروبوتات. يبدأ هذا بشكل عام بـ SLAM المرئي ، باستخدام التعرف على الأشياء لاكتشاف المعالم والعقبات. يستخدم VSLAM وحده عرضًا ثنائي الأبعاد لبيئة ثلاثية الأبعاد ، ودقة صعبة ؛ تعتمد التحسينات على مدخلات الاستشعار التكميلية مثل القياس بالقصور الذاتي. يعمل VISLAM ، كما يُعرف هذا النهج ، بشكل جيد في ظروف الإضاءة الجيدة ولا يعتمد بالضرورة على معدلات الإطارات السريعة للتعرف البصري. الآن تستخدم تطبيقات السيارات SLAM ولكنها لا تضمن رؤية جيدة وتتطلب أوقات استجابة سريعة. SLAM المستندة إلى LIDAR ، والمعروفة أيضًا باسم LOAM - LIDAR Odometry and Mapping - هي محرك رئيسي في هذا المجال.
SLAM في السيارات
قبل أن نفكر في استقلالية أوسع ، ضع في اعتبارك وقوف السيارات الذاتية. ركن السيارة المتوازي هو أحد الأمثلة الواضحة ، وهو متوفر بالفعل في بعض الطرازات. الأمر الأكثر تفصيلاً هو قدرة السيارة على ركن صف السيارات نفسها في ساحة انتظار (والعودة إليك عند الحاجة). قد لا تتطلب وظائف المساعدة في ركن السيارة SLAM ، لكن ركن السيارة المستقل الحقيقي يتطلب بالتأكيد تلك القدرة ويولد الكثير من البحث والاهتمام بالصناعة.
لا يكفي التصوير ثنائي الأبعاد وحده لدعم هذا المستوى من الاستقلالية ، حيث يكون إدراك المسافات والعقبات حول السيارة أمرًا بالغ الأهمية. يمكن للقياس بالقصور الذاتي وأنواع الاستشعار الأخرى سد هذه الفتحة ، ولكن هناك مشكلة أساسية أكثر في تطبيقات الركن الذاتي هذه. يمكن أن تجعل ظروف الإضاءة السيئة أو المربكة في هياكل وقوف السيارات أو الشوارع ليلاً من SLAM المرئي خيارًا منخفض الجودة. بدون ذلك ، يتم اختراق هدف الترجمة ورسم الخرائط بالكامل.
LIDAR هو الحل الواضح للوهلة الأولى. يعمل جيدًا في الإضاءة السيئة ، في الليل ، في الضباب ، إلخ. ولكن هناك مشكلة أخرى. تتطلب طبيعة LIDAR نهجًا مختلفًا إلى حد ما عن SLAM.
تحدي SLAM
تؤدي تطبيقات SLAM ، على سبيل المثال OrbSLAM ، ثلاث وظائف رئيسية. يقوم التتبع (المرئي) بالتسجيل من إطار إلى إطار ويوضع إطارًا جديدًا على الخريطة الحالية. يضيف التعيين نقاطًا إلى الخريطة ويحسن محليًا عن طريق إنشاء مجموعة معقدة من المعادلات الخطية وحلها. هذه التقديرات عرضة للانحراف بسبب تراكم الأخطاء. الوظيفة الثالثة ، إغلاق الحلقة ، تصحح هذا الانجراف عن طريق ضبط الخريطة عند زيارة النقاط التي تمت زيارتها بالفعل مرة أخرى. يحقق SLAM هذا عن طريق حل مجموعة كبيرة من المعادلات الخطية.
يمكن تشغيل بعض هذه الوظائف بشكل فعال للغاية على وحدة المعالجة المركزية المضيفة. البعض الآخر ، مثل الجبر الخطي ، يعمل بشكل أفضل على نظام موازٍ بشكل كبير ، حيث تعتمد المنصة الواضحة على DSP. تقدم CEVA بالفعل منصة لدعم تطوير VSLAM من خلال حل SensPro الخاص بهم. توفير دعم SLAM الفعال في الوقت الفعلي في الإضاءة النهارية ، بما يصل إلى 30 إطارًا في الثانية.
يمثل LIDAR SLAM كبديل لـ VSLAM لظروف الإضاءة السيئة مشكلة مختلفة. يعمل LIDAR عن طريق تدوير شعاع الليزر ميكانيكيًا أو إلكترونيًا. من هذا ، فإنه يبني نقطة سحابة من الانعكاسات من الكائنات المحيطة ، جنبا إلى جنب مع معلومات النطاق لتلك النقاط. تبدأ سحابة النقطة هذه في التشوه بسبب حركة منصة LIDAR. قطعة واحدة من البحث يقترح حلاً للتخفيف من هذا التشويه من خلال خوارزميتين تعملان بترددات مختلفة: أحدهما لتقدير سرعة LIDAR والآخر لأداء رسم الخرائط. من خلال هذا التحليل وحده ، بدون تصحيحات بالقصور الذاتي أو إغلاق الحلقة ، يؤكدون أنه يمكنهم الحصول على دقة مماثلة لحسابات SLAM التقليدية للدفعة. تقترح هذه الورقة أن إضافة الرسائل الفورية وإغلاق الحلقة ستكون الخطوات التالية الواضحة
نتطلع
لا يزال أمام الملاحة الذاتية الكثير لتقدمه ، حتى قبل أن نصل إلى السيارات ذاتية القيادة بالكامل. أي حل من هذا القبيل يعمل بدون خرائط مفصلة - لتطبيقات وقوف السيارات على سبيل المثال - يجب أن يعتمد على SLAM. VISLAM للتنقل في الهواء الطلق أثناء النهار و LOAM للرؤية السيئة والملاحة الداخلية في الأماكن الضيقة. بصفتي باركر موازٍ ميؤوس منه تمامًا ، لا أطيق الانتظار!
شارك هذا المنشور عبر:
