Hispanopedia Wiki
Articulo de referencia

Localización y mapeo simultáneos

Stanley, ganador del DARPA Grand Challenge de 2005, realizó pruebas SLAM como parte de su sistema de conducción autónoma. Un mapa generado por un robot SLAM La localización y ma...

Hispanopedia WikiContenido en espanolLectura gratuita
Stanley, ganador del DARPA Grand Challenge de 2005, realizó pruebas SLAM como parte de su sistema de conducción autónoma.
Un mapa generado por un robot SLAM

La localización y mapeo simultáneos ( SLAM ) es un proceso en el que un ordenador construye o actualiza un mapa de un entorno desconocido mientras, simultáneamente, rastrea la ubicación de una entidad dentro de él. Aunque inicialmente esto parece un problema del tipo «¿qué fue primero, el huevo o la gallina?», existen varios algoritmos conocidos que lo resuelven en un tiempo, al menos aproximadamente, manejable para ciertos entornos. Entre los métodos de solución aproximada más populares se incluyen el filtro de partículas, el filtro de Kalman extendido, la intersección de covarianza y GraphSLAM. Los algoritmos SLAM se basan en conceptos de geometría computacional y visión artificial, y se utilizan en la navegación robótica, el mapeo robótico y la odometría para realidad virtual o realidad aumentada.

Los algoritmos SLAM se adaptan a los recursos disponibles y no buscan la perfección, sino el cumplimiento operativo. Los enfoques publicados se emplean en coches autónomos, vehículos aéreos no tripulados, vehículos submarinos autónomos, vehículos exploradores planetarios, robots domésticos de última generación e incluso dentro del cuerpo humano.

Descripción matemática del problema

Dado una serie de controlestút{\displaystyle u_{t}}y observaciones de sensoresot{\displaystyle o_{t}}en pasos de tiempo discretost{\displaystyle t}El problema SLAM consiste en calcular una estimación del estado del agente.incógnitat{\displaystyle x_{t}}y un mapa del entornometrot{\displaystyle m_{t}}. Todas las cantidades suelen ser probabilísticas, por lo que el objetivo es calcular [ 1 ]

PAG(metrot+1,incógnitat+1|o1:t+1,tú1:t){\displaystyle P(m_{t+1},x_{t+1}|o_{1:t+1},u_{1:t})}

La aplicación de la regla de Bayes proporciona un marco para actualizar secuencialmente las distribuciones posteriores de la ubicación, dado un mapa y una función de transición.PAG(incógnitat|incógnitat−1){\displaystyle P(x_{t}|x_{t-1})},

PAG(incógnitat|o1:t,tú1:t,metrot)=∑metrot−1PAG(ot|incógnitat,metrot,tú1:t)∑incógnitat−1PAG(incógnitat|incógnitat−1)PAG(incógnitat−1|metrot,o1:t−1,tú1:t)/Z{\displaystyle P(x_{t}|o_{1:t},u_{1:t},m_{t})=\sum _{m_{t-1}}P(o_{t}|x_{t},m_{t},u_{1:t})\sum _{x_{t-1}}P(x_{t}|x_{t-1})P(x_{t-1}|m_{t},o_{1:t-1},u_{1:t})/Z}

dóndeZ{\displaystyle Z}es la constante de normalización, que garantiza que todas las probabilidades sumen 1.

De manera similar, el mapa puede actualizarse secuencialmente mediante

PAG(metrot|incógnitat,o1:t,tú1:t)=∑incógnitat∑metrotPAG(metrot|incógnitat,metrot−1,ot,tú1:t)PAG(metrot−1,incógnitat|o1:t−1,metrot−1,tú1:t){\displaystyle P(m_{t}|x_{t},o_{1:t},u_{1:t})=\sum _{x_{t}}\sum _{m_{t}}P(m_{t}|x_{t},m_{t-1},o_{t},u_{1:t})P(m_{t-1},x_{t}|o_{1:t-1},m_{t-1},u_{1:t})}

Al igual que en muchos problemas de inferencia, las soluciones para inferir las dos variables conjuntamente pueden encontrarse, hasta alcanzar una solución óptima local, mediante actualizaciones alternas de las dos creencias en forma de un algoritmo de maximización de la esperanza .

Algoritmos

Las técnicas estadísticas utilizadas para aproximar las ecuaciones anteriores incluyen filtros de Kalman y filtros de partículas (el algoritmo detrás de la localización de Monte Carlo). Estos proporcionan una estimación de la distribución de probabilidad posterior para la pose del robot y para los parámetros del mapa. Los métodos que aproximan de forma conservadora el modelo anterior mediante la intersección de covarianzas pueden evitar depender de supuestos de independencia estadística para reducir la complejidad algorítmica en aplicaciones a gran escala. [ 2 ] Otros métodos de aproximación logran una mayor eficiencia computacional mediante el uso de representaciones simples de incertidumbre en regiones acotadas. [ 3 ]

Las técnicas de pertenencia a conjuntos se basan principalmente en la propagación de restricciones de intervalo . [ 4 ] [ 5 ] Proporcionan un conjunto que encierra la pose del robot y una aproximación de conjunto del mapa. El ajuste de haces , y más generalmente la estimación a posteriori máxima (MAP), es otra técnica popular para SLAM que utiliza datos de imágenes, que estima conjuntamente poses y posiciones de puntos de referencia, aumentando la fidelidad del mapa, y se utiliza en sistemas SLAM comerciales como ARCore de Google que reemplaza su plataforma de computación de realidad aumentada anterior llamada Tango, anteriormente Project Tango . Los estimadores MAP calculan la explicación más probable de las poses del robot y el mapa dados los datos del sensor, en lugar de intentar estimar toda la probabilidad posterior.

Los nuevos algoritmos SLAM siguen siendo un área de investigación activa [ 6 ] y a menudo se basan en diferentes requisitos y supuestos sobre los tipos de mapas, sensores y modelos, como se detalla a continuación. Muchos sistemas SLAM pueden considerarse combinaciones de opciones de cada uno de estos aspectos.

Cartografía

Los mapas topológicos son un método de representación del entorno que captura la conectividad (es decir, la topología) del mismo, en lugar de crear un mapa geométricamente preciso. Los enfoques SLAM topológicos se han utilizado para garantizar la coherencia global en los algoritmos SLAM métricos. [ 7 ]

En cambio, los mapas de cuadrícula utilizan matrices (típicamente cuadradas o hexagonales) de celdas discretizadas para representar un mundo topológico y hacen inferencias sobre qué celdas están ocupadas. Normalmente se supone que las celdas son estadísticamente independientes para simplificar el cálculo. Bajo tal supuesto,PAG(metrot|incógnitat,metrot−1,ot){\displaystyle P(m_{t}|x_{t},m_{t-1},o_{t})}se establecen en 1 si las celdas del nuevo mapa son consistentes con la observaciónot{\displaystyle o_{t}}en la ubicaciónincógnitat{\displaystyle x_{t}}y 0 si es inconsistente.

Los vehículos autónomos modernos simplifican enormemente el problema de la cartografía, haciendo un uso extensivo de datos cartográficos altamente detallados recopilados con antelación. Esto puede incluir anotaciones en el mapa que marcan la ubicación de segmentos de línea blanca y bordillos individuales en la carretera. También se pueden utilizar datos visuales con información de ubicación, como los de Google Street View, como parte de los mapas. En esencia, estos sistemas simplifican el problema SLAM a una tarea de localización más sencilla, permitiendo, por ejemplo, que los objetos en movimiento, como coches y personas, solo se actualicen en el mapa durante la ejecución.

Detección

Nube de puntos acumulada registrada a partir de SLAM lidar

SLAM siempre utilizará varios tipos diferentes de sensores, y las capacidades y limitaciones de los distintos tipos de sensores han sido un factor determinante en el desarrollo de nuevos algoritmos. [ 8 ] La independencia estadística es un requisito indispensable para hacer frente al sesgo métrico y al ruido en las mediciones. Los diferentes tipos de sensores dan lugar a distintos algoritmos SLAM cuyas suposiciones son las más adecuadas para cada sensor. En un extremo, los escaneos láser o las características visuales proporcionan detalles de muchos puntos dentro de un área, lo que a veces hace innecesaria la inferencia SLAM, ya que las formas en estas nubes de puntos se pueden alinear de forma fácil e inequívoca en cada paso mediante el registro de imágenes . En el extremo opuesto, los sensores táctiles son extremadamente dispersos, ya que solo contienen información sobre puntos muy cercanos al agente, por lo que requieren modelos previos robustos para compensar en un SLAM puramente táctil. La mayoría de las tareas prácticas de SLAM se sitúan en algún punto intermedio entre estos extremos visuales y táctiles.

Los modelos de sensores se dividen a grandes rasgos en enfoques basados ​​en puntos de referencia y enfoques de datos brutos. Los puntos de referencia son objetos identificables de forma única en el mundo cuya ubicación puede ser estimada por un sensor, como puntos de acceso Wi-Fi o balizas de radio. Los enfoques de datos brutos no asumen que los puntos de referencia puedan identificarse y, en cambio, modelanPAG(ot|incógnitat){\displaystyle P(o_{t}|x_{t})}directamente en función de la ubicación.

Los sensores ópticos pueden ser telémetros láser unidimensionales (haz único) o bidimensionales (barrido) , detección y medición de luz de alta definición 3D ( lidar ), lidar de flash 3D, sensores de sonar 2D o 3D y una o más cámaras 2D . [ 8 ] Desde la invención de características locales, como SIFT , ha habido una intensa investigación sobre SLAM visual (VSLAM) utilizando principalmente sensores visuales (cámara), debido a la creciente ubicuidad de cámaras como las de los dispositivos móviles. [ 9 ] La investigación de seguimiento incluye. [ 10 ] Tanto los sensores visuales como los lidar son suficientemente informativos como para permitir la extracción de puntos de referencia en muchos casos. Otras formas recientes de SLAM incluyen SLAM táctil [ 11 ] (detección solo por tacto local), SLAM de radar, [ 12 ] SLAM acústico, [ 13 ] y Wi-Fi-SLAM (detección por intensidades de puntos de acceso Wi-Fi cercanos). [ 14 ] Enfoques recientes aplican medición de distancia inalámbrica cuasi-óptica para multilateración ( sistema de localización en tiempo real (RTLS)) o multiangulación junto con SLAM como tributo a las mediciones inalámbricas erráticas. Un tipo de SLAM para peatones humanos utiliza una unidad de medición inercial montada en el zapato como sensor principal y se basa en el hecho de que los peatones pueden evitar las paredes para construir automáticamente planos de planta de edificios mediante un sistema de posicionamiento en interiores . [ 15 ]

Para algunas aplicaciones en exteriores, la necesidad de SLAM prácticamente ha desaparecido gracias a los sensores GPS diferenciales de alta precisión . Desde la perspectiva de SLAM, estos sensores pueden considerarse sensores de localización cuya precisión es tal que dominan por completo la inferencia. Sin embargo, los sensores GPS pueden presentar problemas ocasionales o incluso dejar de funcionar por completo, por ejemplo, durante conflictos militares, lo cual resulta de particular interés para algunas aplicaciones robóticas.

Modelado cinemático

ElPAG(incógnitat|incógnitat−1){\displaystyle P(x_{t}|x_{t-1})}El término representa la cinemática del modelo, que generalmente incluye información sobre las órdenes de acción dadas a un robot. Como parte del modelo, se incluye la cinemática del robot para mejorar las estimaciones de detección en condiciones de ruido inherente y ambiental. El modelo dinámico equilibra las contribuciones de varios sensores y modelos de error parcial, y finalmente se plasma en una representación virtual precisa, como un mapa, donde la ubicación y la dirección del robot se representan mediante una nube de probabilidad. El mapeo es la representación final de dicho modelo; el mapa es dicha representación o el término abstracto para el modelo.

En los robots 2D, la cinemática suele definirse mediante una combinación de comandos de rotación y de avance, que se implementan con ruido adicional del motor. Desafortunadamente, la distribución formada por el ruido independiente en las direcciones angular y lineal no es gaussiana, aunque a menudo se aproxima mediante una distribución gaussiana. Un enfoque alternativo consiste en ignorar el término cinemático y leer los datos de odometría de las ruedas del robot después de cada comando; estos datos pueden tratarse entonces como uno de los sensores, en lugar de como cinemática.

objetos en movimiento

Los entornos no estáticos, como aquellos que contienen otros vehículos o peatones, siguen presentando desafíos de investigación. [ 16 ] [ 17 ] SLAM con DATMO es un modelo que rastrea objetos en movimiento de manera similar al propio agente. [ 18 ]

Cierre de bucle

El cierre de bucle consiste en reconocer una ubicación visitada previamente y actualizar las creencias en consecuencia. Esto puede ser problemático, ya que los errores del modelo o del algoritmo pueden asignar probabilidades a priori bajas a la ubicación. Los métodos típicos de cierre de bucle aplican un segundo algoritmo para calcular algún tipo de similitud de medidas de sensores y restablecen las probabilidades a priori de la ubicación cuando se detecta una coincidencia. Por ejemplo, esto se puede lograr almacenando y comparando vectores de bolsa de palabras de características SIFT ( Scale-invariant feature transform ) de cada ubicación visitada previamente.

Exploración

El SLAM activo estudia el problema combinado del SLAM con la decisión de dónde moverse a continuación para construir el mapa de la forma más eficiente posible. La necesidad de exploración activa es especialmente marcada en regímenes de detección dispersa, como el SLAM táctil. El SLAM activo se realiza generalmente aproximando la entropía del mapa bajo acciones hipotéticas. El "SLAM multiagente" extiende este problema al caso de múltiples robots que se coordinan para explorar de forma óptima.

Inspiración biológica

En neurociencia, el hipocampo parece estar involucrado en cálculos tipo SLAM, [ 19 ] [ 20 ] [ 21 ] dando lugar a células de lugar , y ha formado la base para sistemas SLAM bioinspirados como RatSLAM.

SLAM colaborativo

El SLAM colaborativo combina sensores de múltiples robots o usuarios para generar mapas 3D. [ 22 ] Esta capacidad fue demostrada por varios equipos en el DARPA Subterranean Challenge de 2021 .

Métodos SLAM especializados

SLAM acústico

Se ha aplicado una extensión del problema SLAM común al dominio acústico, donde los entornos se representan mediante la posición tridimensional (3D) de las fuentes de sonido, denominada aSLAM ( Localización y Mapeo Simultáneo Acústico ) . [ 23 ] Las primeras implementaciones de esta técnica han utilizado estimaciones de la dirección de llegada (DoA) de la ubicación de la fuente de sonido y se basan en técnicas principales de localización de sonido para determinar las ubicaciones de las fuentes. Un observador o robot debe estar equipado con una matriz de micrófonos para permitir el uso de Acoustic SLAM, de modo que las características DoA se estimen correctamente. Acoustic SLAM ha sentado las bases para estudios posteriores en el mapeo de escenas acústicas y puede desempeñar un papel importante en la interacción humano-robot a través del habla. Para mapear múltiples fuentes de sonido, y ocasionalmente intermitentes, un sistema Acoustic SLAM utiliza fundamentos en la teoría de conjuntos finitos aleatorios para manejar la presencia variable de puntos de referencia acústicos. [ 24 ] Sin embargo, la naturaleza de las características derivadas acústicamente hace que Acoustic SLAM sea susceptible a problemas de reverberación, inactividad y ruido dentro de un entorno.

SLAM audiovisual

Diseñado originalmente para la interacción humano-robot, el SLAM audiovisual es un marco que proporciona la fusión de características de puntos de referencia obtenidas de las modalidades acústica y visual dentro de un entorno. [ 25 ] La interacción humana se caracteriza por características percibidas no solo en la modalidad visual, sino también en la acústica; por lo tanto, los algoritmos SLAM para robots y máquinas centrados en el ser humano deben tener en cuenta ambos conjuntos de características. Un marco audiovisual estima y mapea las posiciones de los puntos de referencia humanos mediante el uso de características visuales como la postura humana y características de audio como el habla humana, y fusiona las creencias para un mapa más robusto del entorno. Para aplicaciones en robótica móvil (por ejemplo, drones, robots de servicio), es valioso utilizar equipos ligeros y de bajo consumo como cámaras monoculares o matrices de micrófonos microelectrónicos. El SLAM audiovisual también permite la complementariedad de estos sensores, compensando el campo de visión limitado, las oclusiones y las degradaciones ópticas propias de los sensores visuales ligeros con el campo de visión completo y las representaciones de características sin obstrucciones inherentes a los sensores de audio. La susceptibilidad de los sensores de audio a la reverberación, la inactividad de la fuente sonora y el ruido también puede compensarse mediante la fusión de información sobre puntos de referencia proveniente de la modalidad visual. La complementariedad entre las modalidades de audio y visual en un entorno puede resultar valiosa para la creación de robots y máquinas que interactúen plenamente con el habla y el movimiento humanos.

Métodos de implementación

Diversos algoritmos SLAM están implementados en las bibliotecas del software de código abierto Robot Operating System (ROS), que a menudo se utilizan junto con la biblioteca Point Cloud para mapas 3D o características visuales de OpenCV .

EKF SLAM

En robótica , EKF SLAM es una clase de algoritmos que utiliza el filtro de Kalman extendido (EKF) para SLAM. Por lo general, los algoritmos EKF SLAM se basan en características y utilizan el algoritmo de máxima verosimilitud para la asociación de datos. En las décadas de 1990 y 2000, EKF SLAM fue el método de facto para SLAM, hasta la introducción de FastSLAM . [ 26 ]

El EKF se basa en la suposición de ruido gaussiano, lo que perjudica significativamente su capacidad para manejar la incertidumbre. Con una mayor incertidumbre en la distribución posterior, la linealización en el EKF falla. [ 27 ]

GraphSLAM

En robótica , GraphSLAM es un algoritmo SLAM que utiliza matrices de información dispersa producidas mediante la generación de un grafo factorial de interdependencias de observaciones (dos observaciones están relacionadas si contienen datos sobre el mismo punto de referencia). [ 27 ] Se basa en algoritmos de optimización.

Historia

Un trabajo fundamental en SLAM es la investigación de Smith y Cheeseman sobre la representación y estimación de la incertidumbre espacial en 1986. [ 28 ] [ 29 ] Otro trabajo pionero en este campo fue realizado por el grupo de investigación de Hugh F. Durrant-Whyte a principios de la década de 1990. [ 30 ] que demostró que existen soluciones para SLAM en el límite de datos infinitos. Este hallazgo motiva la búsqueda de algoritmos que sean computacionalmente viables y se aproximen a la solución. El acrónimo SLAM fue acuñado en el artículo "Localization of Autonomous Guided Vehicles", que apareció por primera vez en ISR en 1995. [ 31 ]

Los vehículos autónomos STANLEY y JUNIOR, liderados por Sebastian Thrun , ganaron el DARPA Grand Challenge y quedaron segundos en el DARPA Urban Challenge en la década de 2000, e incluían sistemas SLAM, lo que atrajo la atención mundial hacia esta tecnología. Actualmente, se pueden encontrar implementaciones de SLAM para el mercado masivo en aspiradoras robot de consumo [ 32 ] y en visores de realidad virtual como el Meta Quest 2 y el PICO 4 para el seguimiento interno sin marcadores.

Véase también

Referencias

  1. ↑ Thrun, Sebastian ; Burgard, Wolfram ; Fox, Dieter . Robótica probabilística . The MIT Press. pág.  309.
  2. ↑ Julier, S.; Uhlmann, J. (2001). Building a Million-Beacon Map . Proceedings of ISAM Conference on Intelligent Systems for Manufacturing. doi : 10.1117/12.444158 .
  3. ↑ Csorba, M.; Uhlmann, J. (1997). Un algoritmo subóptimo para la construcción automática de mapas . Actas de la Conferencia Americana de Control de 1997. doi : 10.1109/ACC.1997.611857 .
  4. ↑ Jaulin, L. (2009). "Un enfoque de pertenencia a conjuntos no lineal para la localización y construcción de mapas de un robot submarino utilizando propagación de restricciones de intervalo" (PDF) . IEEE Transactions on Robotics . 25 : 88–98 . doi : 10.1109/TRO.2008.2010358 . S2CID 15474613 . 
  5. ↑ Jaulin, L. (2011). "SLAM basado únicamente en rango con mapas de ocupación; un enfoque de pertenencia a conjuntos" (PDF) . IEEE Transactions on Robotics . 27 (5): 1004– 1010. doi : 10.1109/TRO.2011.2147110 . S2CID 52801599 . 
  6. ↑ Cadena, Cesar; Carlone, Luca; Carrillo, Henry; Latif, Yasir; Scaramuzza, Davide; Neira, Jose; Reid, Ian; Leonard, John J. (2016). "Pasado, presente y futuro de la localización y mapeo simultáneos: hacia la era de la percepción robusta". IEEE Transactions on Robotics . 32 (6): 1309– 1332. arXiv : 1606.05830 . Bibcode : 2016arXiv160605830C . doi : 10.1109/tro.2016.2624754 . hdl : 2440/107554 . ISSN 1552-3098 . S2CID 2596787 .  
  7. ↑ Cummins, Mark; Newman, Paul (junio de 2008). "FAB-MAP: localización y mapeo probabilísticos en el espacio de apariencia" (PDF) . The International Journal of Robotics Research . 27 (6): 647– 665. doi : 10.1177/0278364908090961 . S2CID 17969052. Recuperado el 23 de julio de 2014 . 
  8. 1 2 Magnabosco, M.; Breckon, TP (febrero de 2013). "Localización y mapeo simultáneos visuales de espectro cruzado (SLAM) con transferencia de sensores" (PDF) . Robotics and Autonomous Systems . 63 (2): 195–208 . doi : 10.1016/j.robot.2012.09.023 . Recuperado el 5 de noviembre de 2013 .
  9. ↑ Se, Stephen; et al. (James J. Little;David Lowe) (2001). Localización y mapeo de robots móviles basados ​​en visión utilizando características invariantes a la escala . Int. Conf. on Robotics and Automation (ICRA). doi : 10.1109/ROBOT.2001.932909 . 
  10. ↑ Karlsson, N.; et al. (Di Bernardo, E.; Ostrowski, J; Goncalves, L.; Pirjanian, P.; Munich, M.) (2005). El algoritmo vSLAM para localización y mapeo robustos . Conferencia Internacional sobre Robótica y Automatización (ICRA). doi : 10.1109/ROBOT.2005.1570091 . 
  11. ↑ Fox, C.; Evans, M.; Pearson, M.; Prescott, T. (2012). Tactile SLAM with a biomimetic bigered robot (PDF) . Proc. IEEE Int. Conf. on Robotics and Automation (ICRA).
  12. ^ Marck, JW; Mohamed, A.; vd Houwen, E.; van Heijster, R. (2013). Radar interior SLAM Una aplicación de radar para entornos con visión y GPS denegados (PDF) . Conferencia sobre radar (EuRAD), 2013 europea.
  13. ↑ Evers, Christine, Alastair H. Moore y Patrick A. Naylor. « Localización y mapeo acústico simultáneo (a-SLAM) de un conjunto de micrófonos móviles y sus altavoces circundantes ». Conferencia Internacional IEEE de Acústica, Habla y Procesamiento de Señales (ICASSP) de 2016. IEEE, 2016.
  14. ↑ Ferris, Brian, Dieter Fox y Neil D. Lawrence. " Wi-Fi-slam usando modelos de variables latentes de procesos gaussianos . Archivado el 24/12/2022 en Wayback Machine ". IJCAI. Vol. 7. Núm. 1. 2007.
  15. ↑ Robertson, P.; Angermann, M.; Krach, B. (2009). Localización y mapeo simultáneos para peatones utilizando únicamente sensores inerciales montados en los pies (PDF) . Ubicomp 2009. Orlando, Florida, EE. UU.: ACM. doi : 10.1145/1620545.1620560 . Archivado del original (PDF) el 16 de agosto de 2010.
  16. ↑ Perera, Samunda; Pasqual, Ajith (2011). "Hacia MonoSLAM portátil en tiempo real en entornos dinámicos". En Bebis, George; Boyle, Richard; Parvin, Bahram; Koracin, Darko; Wang, Song; Kyungnam, Kim; Benes, Bedrich; Moreland, Kenneth; Borst, Christoph (eds.). Avances en computación visual . Notas de clase en ciencias de la computación. Vol. 6938. Springer Berlin Heidelberg. pp. 313–324 . doi : 10.1007/978-3-642-24028-7_29 . ISBN   9783642240287.
  17. ↑ Perera, Samunda; Barnes, Dr. Nick; Zelinsky, Dr. Alexander (2014), Ikeuchi, Katsushi (ed.), "Exploración: Localización y mapeo simultáneos (SLAM)", Visión por computadora: una guía de referencia , Springer US, pp. 268–275 , doi : 10.1007/978-0-387-31439-6_280 , ISBN  9780387314396, S2CID 34686200 {{citation}}: CS1 mantenimiento: parámetro de trabajo con ISBN ( enlace )
  18. ↑ Wang, Chieh-Chih; Thorpe, Charles; Thrun, Sebastian; Hebert, Martial; Durrant-Whyte, Hugh (2007). "Localización, mapeo y seguimiento simultáneos de objetos en movimiento" (PDF) . Int. J. Robot. Res . 26 (9): 889–916 . doi : 10.1177/0278364907081229 . S2CID 14526806 . 
  19. ↑ Howard, MW; Fotedar, MS; Datey, AV; Hasselmo, ME (2005). "El modelo de contexto temporal en la navegación espacial y el aprendizaje relacional: hacia una explicación común de la función del lóbulo temporal medial en diferentes dominios" . Psychological Review . 112 (1): 75– 116. doi : 10.1037/0033-295X.112.1.75 . PMC 1421376. PMID 15631589 .  
  20. ↑ Fox, C; Prescott, T (2010). "El hipocampo como filtro de partículas coherente unitario". Conferencia Internacional Conjunta sobre Redes Neuronales de 2010 (IJCNN) (PDF) . págs. 1–8 . doi : 10.1109/IJCNN.2010.5596681 . ISBN  978-1-4244-6916-1. S2CID 10838879 . 
  21. ↑ Milford, MJ; Wyeth, GF; Prasser, D (2004). "RatSLAM: Un modelo hipocampal para la localización y el mapeo simultáneos". Conferencia Internacional IEEE sobre Robótica y Automatización, 2004. Actas. ICRA '04. 2004 (PDF) . págs. 403–408 Vol.1. doi : 10.1109/ROBOT.2004.1307183 . ISBN  0-7803-8232-3. S2CID 7139556 . 
  22. ↑ Zou, Danping y Ping Tan. " Coslam: Slam visual colaborativo en entornos dinámicos ". Transacciones IEEE sobre análisis de patrones e inteligencia artificial 35.2 (2012): 354–366.
  23. ↑ Evers, Christine; Naylor, Patrick A. (septiembre de 2018). "Acoustic SLAM" (PDF) . IEEE/ACM Transactions on Audio, Speech, and Language Processing . 26 (9): 1484– 1498. doi : 10.1109/TASLP.2018.2828321 . ISSN 2329-9290 . 
  24. ↑ Mahler, RPS (octubre de 2003). "Filtrado bayesiano multiobjetivo mediante momentos multiobjetivo de primer orden". IEEE Transactions on Aerospace and Electronic Systems . 39 (4): 1152– 1178. Bibcode : 2003ITAES..39.1152M . doi : 10.1109/TAES.2003.1261119 . ISSN 0018-9251 . 
  25. ↑ Chau, Aaron; Sekiguchi, Kouhei; Nugraha, Aditya Arie; Yoshii, Kazuyoshi; Funakoshi, Kotaro (octubre de 2019). «SLAM audiovisual para el seguimiento humano y la interacción humano-robot en entornos interiores». 28.ª Conferencia Internacional IEEE sobre Comunicación Interactiva entre Robots y Humanos (RO-MAN) de 2019. Nueva Delhi, India: IEEE. págs. 1-8 . doi : 10.1109/RO-MAN46459.2019.8956321 . ISBN  978-1-7281-2622-7. S2CID 210697281 . 
  26. ↑ Montemerlo, M.; Thrun, S.; Koller, D.; Wegbreit, B. (2002). "FastSLAM: Una solución factorizada al problema de localización y mapeo simultáneos" (PDF) . Actas de la Conferencia Nacional AAAI sobre Inteligencia Artificial . págs. 593–598 . 
  27. 1 2 Thrun, S.; Burgard, W.; Fox, D. (2005). Robótica probabilística . Cambridge: The MIT Press. ISBN 0-262-20162-3.
  28. ↑ Smith, RC; Cheeseman, P. (1986). "Sobre la representación y estimación de la incertidumbre espacial" (PDF) . The International Journal of Robotics Research . 5 (4): 56– 68. doi : 10.1177/027836498600500404 . S2CID 60110448. Recuperado el 8 de abril de 2008 . 
  29. ↑ Smith, RC; Self, M.; Cheeseman, P. (1986). "Estimación de relaciones espaciales inciertas en robótica" (PDF) . Actas de la Segunda Conferencia Anual sobre Incertidumbre en Inteligencia Artificial . UAI '86. Universidad de Pensilvania, Filadelfia, PA, EE. UU.: Elsevier. págs. 435–461 . Archivado del original (PDF) el 2 de julio de 2010. 
  30. ↑ Leonard, JJ; Durrant-whyte, HF (1991). "Construcción de mapas y localización simultáneas para un robot móvil autónomo". Actas de IROS '91: Taller Internacional IEEE/RSJ sobre Robots y Sistemas Inteligentes '91 . págs. 1442–1447 . doi : 10.1109/IROS.1991.174711 . ISBN  978-0-7803-0067-5. S2CID 206935019 . 
  31. ↑ Durrant-Whyte, H.; Bailey, T. (junio de 2006). "Localización y mapeo simultáneos: parte I" . IEEE Robotics & Automation Magazine . 13 (2): 99–110 . doi : 10.1109/MRA.2006.1638022 . ISSN 1558-223X . S2CID 8061430 .  
  32. ↑ Knight, Will (16 de septiembre de 2015). "Con un Roomba capaz de navegar, iRobot pone la mira en los robots domésticos avanzados" . MIT Technology Review . Recuperado el 25 de abril de 2018 .
  • Robótica probabilística, por Sebastian Thrun , Wolfram Burgard y Dieter Fox, con una clara descripción general de SLAM.
  • SLAM para principiantes (un enfoque tutorial para la localización y el mapeo simultáneos) .
  • Página de investigación de Andrew Davison en el Departamento de Informática del Imperial College de Londres sobre SLAM utilizando visión artificial.
  • openslam.org Una buena colección de código abierto y explicaciones de SLAM.
  • Caja de herramientas de Matlab para el filtrado de Kalman aplicada a la localización y mapeo simultáneos de vehículos que se mueven en 1D, 2D y 3D.
  • Página de investigación de FootSLAM en el Centro Aeroespacial Alemán (DLR), que incluye los enfoques relacionados de Wi-Fi SLAM y PlaceSLAM.
  • Clase de SLAM. Clase de SLAM en línea basada en Python.
Obtenido de " https://en.wikipedia.org/w/index.php?title=Simultaneous_localization_and_mapping&oldid=1340124563 "
Lecturas relacionadas
6 articulos
{\displaystyle P(A\vert B)={\frac {P(B\vert A)P(A)}{P(B)}}}Teorema de BayesEl teorema de Bayes (también conocido como ley de Bayes o regla de Bayes ), que recibe su nombre de Thomas Bayes ( / b eɪ z / ), proporciona una re...Algoritmo de expectativa-maximizaciónEn estadística , un algoritmo de expectativa-maximización ( EM ) es un método iterativo para encontrar estimaciones de máxima verosimilitud (local)...Filtro KalmanFiltro KalmanEn estadística y teoría de control , el filtrado de Kalman (también conocido como estimación cuadrática lineal ) es un algoritmo que utiliza una se...Filtro de partículasLos filtros de partículas, o métodos secuenciales de Monte Carlo , son un conjunto de algoritmos de Monte Carlo utilizados para encontrar solucione...Probabilidad posteriorProbabilidad posteriorLa probabilidad posterior es un tipo de probabilidad condicional que resulta de actualizar la probabilidad previa con información resumida por la p...{\displaystyle {\hat {a}}}Intersección de covarianzaLa intersección de covarianza ( CI ) es un algoritmo para combinar dos o más estimaciones de variables de estado en un filtro de Kalman cuando se d...