SLAMtilnærminger

SLAMtilnærminger beskriver metoder for samtidig lokaliserings- og kartleggingsproblematikk i robotikk og datamaskinvisjon. Hensikten er å estimere robotens posisjon over tid mens et kart av miljøet bygges opp ut fra sensorinformasjon. Tilnærmingene varierer etter sensorgrunnlag (kamera, lidar, radar) og hvordan beregningen utføres. Totalt finnes det filterbaserte metoder og optimeringsbaserte metoder, ofte delt i front-end og back-end. Mange tilnærminger kombinerer også visuelle og ikke-visuelle sensorer (for eksempel visual-inertial SLAM).

Filterbaserte SLAM-systemer, som EKF-SLAM og UKF-SLAM, bruker sannsynlighetsfiltre for å oppdatere pose og kart kontinuerlig når ny data kommer. De er ofte enkle og sanntidsvennlige, men skalerer dårlig med antall landemerker og kan være sensitive for linearisering og ukorrekte dataassosiasjoner. De passer godt for små kart og begrensede omgivelsesforhold.

Optimeringsbaserte eller grafbaserte SLAM-systemer modellerer miljøet som et sett med wedger mellom posene (posegraf) og noen ganger landemerker. Odometi og loop-koblinger danner kantene, og back-end-optimalisering løser helheten for å minimere avvik i hele løpet. De gir bedre skalerbarhet og nøyaktighet i større miljøer og bruker ofte robuste hjørner som sparse matriser og effektive løsnere.

Visuelle SLAM-systemer bruker kameraer, og kan være monokulære, stereo eller RGB-D. De deles ofte inn i feature-baserte og direkte metoder. Monokulær SLAM trenger eksterne mål for skala eller anvender IMU for visual-inertial SLAM. Lidar-baserte tilnærminger (for eksempel LOAM, Cartographer, LIO-SAM) tilbyr robusthet i varierende belysning og gir tett 3D-kart.

Vanlige utfordringer inkluderer drift og loop-sjekk, dynamiske objekter, tilstrekkelig dataassosiasjon og beregningsbegrensninger for sanntid eller offline optimalisering. Evaluering bruker ofte ATE og RPE-målinger for trajektor og lokasjonspresisjon.