SLAM - bản địa hóa và lập bản đồ đồng thời - đã là một công nghệ nổi tiếng trong lĩnh vực chế tạo người máy. Điều này thường bắt đầu với SLAM trực quan, sử dụng nhận dạng đối tượng để phát hiện các điểm mốc và chướng ngại vật. Riêng VSLAM sử dụng chế độ xem 2D của môi trường 3D, thách thức độ chính xác; cải tiến phụ thuộc vào các đầu vào cảm biến bổ sung như đo lường quán tính. VISLAM, như cách tiếp cận này đã biết, hoạt động tốt trong điều kiện ánh sáng tốt và không nhất thiết phải phụ thuộc vào tốc độ khung hình nhanh để nhận dạng hình ảnh. Hiện các ứng dụng ô tô đang áp dụng SLAM nhưng không thể đảm bảo khả năng nhìn tốt và yêu cầu thời gian phản hồi nhanh. SLAM dựa trên LIDAR, hay còn gọi là LOAM - LIDAR Odometry and Mapping - là động lực chính trong lĩnh vực này.

SLAM trong ô tô

Trước khi chúng ta nghĩ về quyền tự chủ rộng hơn, hãy xem xét việc tự đậu xe. Bãi đậu xe song song là một ví dụ rõ ràng, đã có sẵn trong một số mô hình. Nói một cách phức tạp hơn là khả năng cho một chiếc xe hơi tự đậu vào bãi đậu xe (và quay lại chỗ bạn khi cần thiết). Các chức năng hỗ trợ đỗ xe có thể không yêu cầu SLAM, nhưng đỗ xe tự động thực sự hoàn toàn yêu cầu khả năng đó và đang tạo ra rất nhiều nghiên cứu và sự chú ý của ngành.

Chỉ hình ảnh 2D là không đủ để hỗ trợ mức độ tự chủ này, nơi mà nhận thức về khoảng cách đến chướng ngại vật xung quanh xe là rất quan trọng. Đo lường quán tính và các loại cảm biến khác có thể bịt lỗ này, nhưng có một vấn đề cơ bản hơn trong các ứng dụng tự đỗ xe này. Điều kiện ánh sáng kém hoặc khó hiểu trong các công trình đỗ xe hoặc đường phố vào ban đêm có thể khiến SLAM trực quan trở thành một lựa chọn chất lượng thấp. Nếu không có điều đó, toàn bộ mục tiêu bản đồ và bản địa hóa sẽ bị ảnh hưởng.

Thoạt nhìn LIDAR là giải pháp rõ ràng. Hoạt động tốt trong điều kiện ánh sáng kém, vào ban đêm, sương mù, ... Nhưng có một vấn đề khác. Bản chất của LIDAR yêu cầu một cách tiếp cận hơi khác với SLAM.

Thử thách SLAM

Triển khai SLAM, ví dụ như OrbSLAM, thực hiện ba chức năng chính. Theo dõi thực hiện đăng ký frame-to-frame (trực quan) và bản địa hóa một khung mới trên bản đồ hiện tại. Lập bản đồ thêm các điểm vào bản đồ và tối ưu hóa cục bộ bằng cách tạo và giải một tập hợp các phương trình tuyến tính phức tạp. Các ước tính này có thể bị sai lệch do tích lũy sai số. Chức năng thứ ba, đóng vòng lặp, khắc phục sự trôi dạt đó bằng cách điều chỉnh bản đồ khi các điểm đã đến được thăm lại. SLAM hoàn thành điều này bằng cách giải một tập hợp lớn các phương trình tuyến tính.

Một số chức năng này có thể chạy rất hiệu quả trên một CPU chủ. Những thứ khác, chẳng hạn như đại số tuyến tính, chạy tốt nhất trên một hệ thống song song nặng nề, mà nền tảng hiển nhiên sẽ dựa trên DSP. CEVA đã cung cấp một nền tảng để hỗ trợ phát triển VSLAM thông qua giải pháp SensPro của họ. Cung cấp hỗ trợ SLAM thời gian thực hiệu quả trong ánh sáng ban ngày, với tốc độ lên đến 30 khung hình / giây.

LIDAR SLAM như một giải pháp thay thế cho VSLAM trong điều kiện ánh sáng kém lại đưa ra một vấn đề khác. LIDAR hoạt động bằng cách quay một chùm tia laze về mặt cơ học hoặc điện tử. Từ đó, nó tạo ra một đám mây điểm phản xạ từ các vật thể xung quanh, cùng với các thông tin khác nhau cho các điểm đó. Đám mây điểm này bắt đầu bị méo do chuyển động của nền tảng LIDAR. Một phần của nghiên cứu đề xuất một giải pháp để giảm thiểu sự biến dạng này thông qua hai thuật toán chạy ở các tần số khác nhau: một để ước tính vận tốc của LIDAR và một để thực hiện ánh xạ. Chỉ thông qua phân tích này, mà không cần hiệu chỉnh quán tính hoặc đóng vòng lặp, họ khẳng định rằng họ có thể đạt được độ chính xác tương đương với các phép tính SLAM hàng loạt thông thường. Bài báo đó gợi ý rằng việc thêm IM và đóng vòng lặp sẽ là các bước tiếp theo rõ ràng 

Nhìn về phía trước

Điều hướng tự động vẫn còn nhiều điều để cung cấp, ngay cả trước khi chúng ta có được những chiếc xe hoàn toàn không người lái. Bất kỳ giải pháp nào như vậy hoạt động mà không có bản đồ chi tiết - đối với các ứng dụng đỗ xe chẳng hạn - phải phụ thuộc vào SLAM. VISLAM để điều hướng ban ngày ngoài trời và LOAM cho khả năng nhìn không tốt và điều hướng trong nhà ở những không gian hạn chế. Là một công viên song song hoàn toàn vô vọng, tôi không thể chờ đợi!

Chia sẻ bài đăng này qua: