SLAM (localización y mapeo simultáneos) ya es una tecnología bien establecida en robótica. Esto generalmente comienza con SLAM visual, utilizando el reconocimiento de objetos para detectar puntos de referencia y obstáculos. Solo VSLAM utiliza una vista 2D de un entorno 3D, lo que desafía la precisión; las mejoras dependen de entradas de detección complementarias, como la medición inercial. VISLAM, como se conoce a este enfoque, funciona bien en buenas condiciones de iluminación y no depende necesariamente de velocidades de cuadro rápidas para el reconocimiento visual. Ahora, las aplicaciones automotrices están adoptando SLAM, pero no pueden garantizar una buena visibilidad y exigen tiempos de respuesta rápidos. SLAM basado en LIDAR, también conocido como LOAM (Odometría y mapeo LIDAR), es un impulsor clave en esta área.

SLAM en automoción

Antes de pensar en una autonomía más amplia, considere el estacionamiento automático. El estacionamiento en paralelo es un ejemplo obvio, ya disponible en algunos modelos. Más elaborada es la capacidad de que un automóvil aparque solo en un estacionamiento (y regrese a usted cuando sea necesario). Es posible que las funciones de asistencia de estacionamiento no requieran SLAM, pero el verdadero estacionamiento autónomo requiere absolutamente esa capacidad y está generando mucha investigación y atención de la industria.

Las imágenes 2D por sí solas no son suficientes para respaldar este nivel de autonomía, donde el conocimiento de las distancias a los obstáculos alrededor del automóvil es fundamental. La medición inercial y otros tipos de detección pueden tapar este agujero, pero hay un problema más básico en estas aplicaciones de estacionamiento automático. Las condiciones de iluminación deficientes o confusas en las estructuras de estacionamiento o en las calles durante la noche pueden hacer que el SLAM visual sea una opción de baja calidad. Sin eso, todo el objetivo de localización y mapeo se ve comprometido.

LIDAR es la solución obvia a primera vista. Funciona bien con poca luz, de noche, con niebla, etc. Pero hay otro problema. La naturaleza de LIDAR requiere un enfoque algo diferente a SLAM.

El reto SLAM

Las implementaciones de SLAM, por ejemplo OrbSLAM, realizan tres funciones principales. El seguimiento realiza un registro (visual) cuadro a cuadro y localiza un nuevo cuadro en el mapa actual. El mapeo agrega puntos al mapa y lo optimiza localmente creando y resolviendo un conjunto complejo de ecuaciones lineales. Estas estimaciones están sujetas a variaciones debido a la acumulación de errores. La tercera función, cierre de bucle, corrige esa deriva ajustando el mapa cuando los puntos ya visitados se vuelven a visitar. SLAM logra esto resolviendo un gran conjunto de ecuaciones lineales.

Algunas de estas funciones pueden ejecutarse de manera muy efectiva en una CPU anfitriona. Otros, como el álgebra lineal, funcionan mejor en un sistema fuertemente paralelo, para el cual la plataforma obvia estará basada en DSP. CEVA ya ofrece una plataforma para apoyar el desarrollo de VSLAM a través de su solución SensPro. Brinda soporte SLAM en tiempo real efectivo en iluminación diurna, hasta 30 cuadros por segundo.

LIDAR SLAM como alternativa a VSLAM para condiciones de poca luz presenta un problema diferente. LIDAR funciona haciendo girar mecánica o electrónicamente un rayo láser. A partir de esto, construye una nube de puntos de reflejos de los objetos circundantes, junto con información de rango para esos puntos. Esta nube de puntos comienza distorsionada debido al movimiento de la plataforma LIDAR. Una pieza de investigación sugiere una solución para mitigar esta distorsión a través de dos algoritmos que se ejecutan en diferentes frecuencias: uno para estimar la velocidad del LIDAR y otro para realizar el mapeo. Solo a través de este análisis, sin correcciones de inercia ni cierre de bucle, afirman que pueden obtener una precisión comparable a los cálculos de SLAM por lotes convencionales. Ese documento sugiere que agregar IM y cierre de bucle serán los próximos pasos obvios 

Mirando hacia el futuro

La navegación autónoma todavía tiene mucho que ofrecer, incluso antes de que lleguemos a los coches totalmente autónomos. Cualquier solución de este tipo que funcione sin mapas detallados, por ejemplo, para aplicaciones de estacionamiento, debe depender de SLAM. VISLAM para navegación diurna al aire libre y LOAM para mala visibilidad y navegación interior en espacios reducidos. Como un aparcador paralelo absolutamente desesperado, ¡no puedo esperar!

Comparte esta publicación a través de: