RTAB-Map

Vielseitiges graphbasiertes SLAM mit Unterstützung für RGB-D, Stereo und LiDAR im Echtzeitbetrieb

Lizenz

BSD-3-Clause

Überblick

RTAB-Map, kurz für Real-Time Appearance-Based Mapping, ist eine graphbasierte SLAM-Bibliothek, die mit RGB-D-Kameras, Stereokameras und LiDAR arbeitet. Sie bietet Loop-Closure-Erkennung, Speicherverwaltung für große Karten und sitzungsübergreifendes Kartieren und kann Punktwolken als PLY oder PCD exportieren. Sie lässt sich in ROS 1 und ROS 2 integrieren und wird für die Navigation mobiler Roboter und die 3D-Rekonstruktion eingesetzt.

RTAB-Map (Real-Time Appearance-Based Mapping) ist eine vielseitige graphenbasierte SLAM-Bibliothek, die verschiedene Sensorkonfigurationen unterstützt. Sie ist für Echtzeitbetrieb und großskalige Kartierung konzipiert.

Wichtige Merkmale umfassen: - RGB-D-, Stereo- und Lidar-Unterstützung - Echtzeitbetrieb - Speicherverwaltung für große Karten - Loop-Closure-Erkennung - Multi-Session-Kartierung - ROS 1/2-Integration - Visualisierungstools - Cloud-Export (PLY, PCD)

RTAB-Map ist beliebt für mobile Roboternavigation und 3D-Rekonstruktion. Seine ROS-Integration macht es einfach, es mit Standard-Roboterplattformen zu verwenden.

Warum es wichtig ist

RTAB-Map ist die vielseitigste SLAM-Lösung im ROS-Ökosystem. Mit Unterstützung für RGB-D-Kameras, Stereokameras und LiDAR liefert es zuverlässige Echtzeit-Kartierung und -Lokalisierung über unterschiedliche Sensorkonfigurationen hinweg — entscheidend für den Einsatz mobiler Roboter.

Welches Problem es löst

Roboter müssen Karten ihrer Umgebung erstellen und sich darin lokalisieren, doch unterschiedliche Anwendungen erfordern unterschiedliche Sensoren. RTAB-Map bietet eine einzige SLAM-Lösung, die mit den jeweils verfügbaren Sensoren funktioniert.

Wichtigste Punkte

• Multisensor-SLAM mit Unterstützung für RGB-D, Stereo und LiDAR
• Echtzeit-Erkennung von Schleifenschlüssen (Loop Closure) zur Driftkorrektur
• Großflächige Kartierung mit Speicherverwaltung für den Langzeitbetrieb
• Native ROS- und ROS-2-Integration mit Visualisierungswerkzeugen
• Aktiv gepflegt mit regelmäßigen Updates und Verbesserungen

Für wen

• Entwickler mobiler Roboter, die SLAM-Fähigkeiten brauchen
• Teams, die Roboter für Kartierung und Erkundung bauen
• Forschende, die SLAM-Algorithmen vergleichen
• Unternehmen, die Roboter in Innenräumen einsetzen

Einschränkungen

• Rechenintensiv — erfordert eine ordentliche CPU/GPU für den Echtzeitbetrieb
• Parameter-Tuning ist für optimale Leistung in unterschiedlichen Umgebungen nötig
• Dichte Kartierung erzeugt große Datenmengen, die eine Speicherverwaltung erfordern
• SLAM im Freien ist wegen der Schwierigkeiten beim Feature-Matching weniger zuverlässig als in Innenräumen