SLAM

又稱: Simultaneous Localization and Mapping
類別: State estimation & navigation › Localisation
標籤: perception, navigation, mapping, localization, autonomous

在建構地圖的同時追蹤機器人位置的演算法。

定義

SLAM（Simultaneous Localization and Mapping，同步定位與建圖）是一個計算問題：在未知環境中建構地圖，同時追蹤機器人在其中的位置。它解決了根本的「雞生蛋、蛋生雞」難題：機器人需要地圖才能定位自己，卻又需要知道自己的位置才能建出準確的地圖。SLAM 系統處理感測器資料（攝影機、光達（LiDAR）、IMU），即時產生環境地圖與位姿估計。常見的做法包括視覺 SLAM（使用攝影機）、光達 SLAM（使用雷射掃描儀），以及視覺慣性 SLAM（結合攝影機與 IMU，以獲得穩健的追蹤）。

為何重要

SLAM 解決了一個循環問題：要建地圖，你得知道自己在哪裡；要知道自己在哪裡，你又需要地圖。同時解決這兩者，機器人才能進入一棟陌生的建築，然後帶著一張可用的地圖以及自己在其中的位置出來，不需要經過測量的信標或預先安裝的基礎設施。每一台自主掃地機器人、倉儲機器人與室內配送機器都仰賴它。它也是感測器選擇、運算預算與環境之間衝突最激烈的地方：同一套演算法在雜亂的實驗室裡運作良好，在一條缺乏特徵的長走廊裡卻可能完全失效。

主要應用

室內移動機器人：掃地機器人、服務型機器人與巡檢平台，在沒有事先測量的空間中建圖
倉儲與物流車隊：為大型、不斷變化的環境維護共用地圖
在無 GPS 空間中的無人機導航：室內、橋下或結構物內部
用於建築測量與竣工文件的手持式與背包式掃描系統
在作物行間作業、單靠 GPS 不足的農業與野外機器人
擴增實境頭戴裝置，它們以不同的名稱處理同一個問題

實際應用

室內機器人通常在 ROS 2 下執行 SLAM Toolbox 或 Cartographer 等 2D 光達（LiDAR）SLAM 套件，把掃描資料與輪式里程計及 IMU 融合。迴路閉合是最重要也最不顯眼的部分：當機器人認出自己曾經到過的地方時，整張地圖會被調整，讓兩次觀測一致，這就是為什麼地圖在繞完一大圈後會明顯地「啪」一下對齊。ORB-SLAM3 等視覺 SLAM 系統以攝影機影像完成同樣的工作，以光達在度量上的確定性，換取便宜得多的硬體，但對光線與紋理的敏感度也高得多。

常見誤解

SLAM 是已解決的問題：它在條件良好的室內空間中已經解決；動態人群、重複的走廊與缺乏特徵的環境仍會讓量產系統失效
SLAM 需要光達（LiDAR）：視覺 SLAM 與視覺慣性 SLAM 只用攝影機就能運作，代價是在光線不佳與空白牆面前較不穩健
地圖一旦建好就一直有效：家具、棧板與人都會移動，大多數系統必須持續更新或定期重建地圖
更好的感測器就能解決 SLAM 失效：長走廊與對稱的房間是因為缺乏可辨識的結構而讓 SLAM 失效，這是任何感測器升級都無法提供的

誰需要了解

任何把移動機器人部署到會變化或從未測量過之空間的人
選擇導航堆疊及其感測器需求的開發者
排查機器人在走廊、中庭或倉儲走道中迷路問題的工程師
評估機器人在建築中工作前需要建築提供什麼的設施管理人員
想了解為何定位與建圖被當成一個問題而非兩個問題來教的學生

影片

SLAM Robot Mapping - Computerphile: Computerphile
SLAM - 5 Minutes with Cyrill: Cyrill Stachniss

維基百科

同时定位与地图构建

Open Source Robotics