Introducción
Actualmente, existen muchos tipos de vehículos aéreos no tripulados autónomos y de navegación por robots. En general, se pueden dividir en navegación interior - interior y exterior - exterior .
A su vez, la navegación en interiores también aborda múltiples desafíos. Por norma, se trata de robots móviles diseñados para mover mercancías en un almacén, aspiradoras robóticas, robots de merchandising, comunicación interactiva con clientes, camareros, etc. Cuando pasamos a la navegación interior, perdemos inmediatamente todos los beneficios de la navegación por satélite, porque la señal del satélite no suele llegar a los dispositivos a través de estructuras de hormigón y metal. Por otro lado, debido al hecho de que el espacio dentro de los edificios a menudo se limita a áreas relativamente pequeñas, es posible utilizar ayudas a la navegación como triangulación, navegación de acuerdo con varias marcas (códigos QR que indican comandos posteriores para el robot, líneas de señal en el sentido de la marcha, marcas en las paredes para corregir la ubicación), Navegación SLAM , así como combinaciones de los métodos anteriores.
Los métodos de navegación presentados son radicalmente diferentes en las tecnologías utilizadas y tienen sus propias ventajas y desventajas. En este artículo, solo se considerará el método de navegación SLAM, que es el más prometedor de los enumerados para trabajar en espacios inexplorados. Este método es interesante porque puede usarse en una habitación no preparada desconocida para el robot para crear un mapa y luego usarlo. Debe tenerse en cuenta que SLAM requiere una variedad de fuentes de datos, incluida la odometría.
1. SLAM
SLAM . (Simultaneous Localization and Mapping). , , .
, SLAM . , , , , , . , . , (, , IMU ). , , . , , , . , , , .
, SLAM , . , , . SLAM [1]:
u t,
z , t,
m , x – t. , , ( 1):
SLAM 2D, 3D. 3D , , . , , . , SLAM SLAM . , SLAM, (grid-based), (feature-based) (graph-based) , (topological) (semantic) [1].
1.1 Feature-based SLAM
Feature-based SLAM . SLAM (EKF – Extended Kalman Filter).
1.2 Graph-based SLAM
SLAM , , , . . , , . SLAM (VSLAM Rtabmap), [1].
1.3 Grid-based SLAM
. . , . , 1 , 0 [1]. 0 1 .
1.4 Topological SLAM
SLAM - , . , . , , . , [1].
1.5 SemanticSLAM
. , , . , , . , Carlos Miguel [1] SLAM [7, 9].
1.6 SLAM
SLAM Robotic Operating System (ROS) , , : GMapping [2], Cartographer [3], Rtabmap [4, 9]. ROS. , SLAM, .
Gmapping . , 2D , 360 . , , .
- (Adaptive Monte Carlo Localization – AMCL). , [5]. , , , . , « » . , , , .
Google Cartographer GMapping , 2D . , Gmapping, . , Cartographer , – cells. , Cartographer «» «» «» «» [3]. , Cartographer - . - , . ( ) , , .
, SLAM SLAM. SLAM . , SLAM , , SLAM . , SLAM [3, 6].
, Cartographer 3D [3, 6]. , . , .
, GMapping, Cartographer ( , 3D ), RGBD -, .
, Cartographer – SLAM. , GMapping, .
Rtabmap – SLAM, , [4, 7, 8, 9].
. Rtabmap 2D , , . . , . , .
, , , , . , , , . , Rtabmap , , , – . Rtabmap , . , , , – , . . Rtabmap .
, 2D , . Rtabmap : , RGBD , -, , IMU. , RGBD -. . 2D , RGBD - 2D Rtabmap. , , «» , .
, . , Rtabmap . , , . , , 2D . Rtabmap , , . , , . , , . , «» .
, , SLAM – . – Rtabmap , ( , , IMU, ). , , , , , , SLAM .
SLAM
SLAM . , . 5 , 100 2.
GMapping. . , , ( 3020 ), «» 2D , , .
, . SLAM.
Google Cartographer . , . , Cartographer .
GMapping Cartographer, Rtabmap SLAM 2D , . , Rtabmap , .
SLAM
Rtabmap. , RGBD . , SLAM.
, Cartographer – RGBD . Cartographer , Rtabmap .
, , , , , . , , , , , . , , – 2D , - ( 2D , . . , 3D , , 2D , RGBD -).
. , ( ), , , . , – , , , . - , , , . , ( ) , .
, , , . . -, . , , . -, , , , (Rtabmap , ). ROS. , , , , .
, , , . Rtabmap , ICP (Iterative Closest Point). , . , , ICP , ICP , .
, , , . Rtabmap , , , . , , , . , – , , .
. , . , , . , ; , , , , , .
Rtabmap . , . Cartographer.
, SLAM Gmapping, Rtabmap Google Cartographer. , . Gmapping – SLAM, . , 2D . , Cartographer Rtabmap , ( Rtabmap). , – Gmapping.
SLAM .
Pedrosa, E., L. Reis, C. M. D. Silva and H. S. Ferreira. Autonomous Navigation with Simultaneous Localization and Mapping in/outdoor. 2020.
Gmapping [ ] URL: http://wiki.ros.org/gmapping, – . . . : 14.08.2020 .
Google Cartographer ROS [ ] URL: https://google-cartographer-ros.readthedocs.io/en/latest/#, – . . . : 04.11.2020 .
RTAB-Map, Real-Time Appearance-Based Mapping [ ] URL: http://introlab.github.io/rtabmap/, – . . . : 22.06.2020 .
Adaptive Monte Carlo localization [ ] URL: http://wiki.ros.org/amcl, – . . . : 03.08.2020 .
Building Maps Using Google Cartographer and the OS1 Lidar Sensor [ ] URL: https://ouster.com/blog/building-maps-using-google-cartographer-and-the-os1-lidar-sensor/, – . . . : 25.02.2021 .
Labbé, M, Michaud, F. RTAB-Map como un lidar de código abierto y una biblioteca de localización y mapeo visual simultánea para operaciones en línea a gran escala y a largo plazo. J Robótica de campo. 2019; 35: 416-446.
Silva, BMFD; Xavier, RS; Gonçalves, LMG Mapping and Navigation for Indoor Robots under ROS: An Experimental Analysis. Preprints 2019.
Mathieu Labbé y François Michaud. Detección de cierre de bucle global en línea para SLAM basado en gráficos multisesión a gran escala. 2014 IEEE / RSJ International Conference on Intelligent Robots and Systems, páginas 2661-2666, 2014.