ロボット SLAM の種類： LiDAR、視覚および視覚慣性マッピング

同時位置定位とマッピングは、環境の表現を構築または更新しながらロボットの軌道を推定します。この2つの推定値は互いに依存しています。観測値を地図に配置するには動きが必要であり、累積した運動誤差を補正するために地図が必要です。したがって、 SLAM は単に占有画像を描く方法ではなく、推定の問題です。

LiDAR、視覚慣性 SLAM は観測するものや失敗の方法に違いがあります。レンジスキャンは幾何学的特性を強調し、カメラは画像の外観と投影を利用し、視覚慣性システムは画像制約と高速慣性伝播を組み合わせます。ホイールの走行距離、深度、GNSS、その他の事前データがこれらのすべてを補完することがあります。

このガイドをロボット センサー融合ガイド や ロボットセンサー概要と組み合わせてご利用ください。一つの魅力的な地図のスクリーンショットからではなく、調整された軌道や下流のタスクの証拠からシステムを選びましょう。

SLAM 推定値はポーズと写像を組み合わせます

ロボットは不確かな姿勢から始まり、未知または部分的に知られているランドマーク、表面、画像の特徴から観測を受けます。相対運動は連続した状態を結びつけ、繰り返し観測することで軌道を以前の場所に戻します。最適化またはフィルタリングは、これらの制約に最も適合する状態と写像変数の集合を見つけます。

ゲージの自由度と基準系を定義しなければなりません。局所地図は、グローバルに調査された原点がなくても内部的に整合性を持つことができます。スケールはメートル法の範囲システムで観測可能ですが、追加情報なしに単一のカメラからは必ずしも観察できません。出力はメトリックで重力に整合し、グローバル参照されている状態です。

フロントエンドはセンサーデータを制約に変換します

SLAMフロントエンドは画像の特徴を検出し、スキャンを照準し、視覚的オドメトリーを推定したり、新しい観察値を過去の状態と関連付けたりします。それは相対的な姿勢やランドマークの制約や不確実性を提供します。悪い連想は、バックエンドが修復できない自信のある誤ったエッジを生み出します。

タイムスタンプと外部キャリブレーションはすべての制約に影響を与えます。ローリングシャッター、モーション歪み、ホイールスリップ、IMUバイアスには適切なモデルや前処理が必要です。すべての受理マッチが同等に信頼できると仮定するのではなく、マッチングスコア、インリエカウント、残差分布を監視しましょう。

SLAM 層	主な職務	証拠	失敗
センサーの準備	入力の時間と校正	タイムスタンプとキャリブレーション残差	モーション歪み
フロントエンド	局所制約の作成	インリアとマッチ残差	誤った関連付け
走行距離	局所運動の伝播	増分と共変	累積ドリフト
ループ閉鎖	再訪を認識する	幾何学的検証	誤ループまたはミスループ
バックエンド	グラフまたは状態の最適化	目的値と残差数	不整合解

バックエンドは累積誤差を分散します

ポーズグラフはロボットポーズをノードとして、相対制約をエッジとして表現します。有効なループクロージャが現在のポーズを以前に訪れた場所と結びつける場合、グラフ最適化は一つの急な局所パッチを適用する代わりに、多くのポーズにドリフトを再分配できます。

現在の slam_toolboxドキュメント は、ポーズグラフマッピングおよびローカライゼーションのワークフローを説明しています。再現性が重要な場合は、シリアル化されたグラフと構成を保存します。レンダリング画像だけでは、後の診断に必要な制約や不確実性の情報を失います。

LiDAR SLAM 幾何学的範囲構造を観察します

二次元 LiDAR SLAM は平面スキャンを整列させ、壁や物体が走査面近くで特徴的な幾何学を形成する際にうまく機能します。三次元システムは垂直構造を加え、より豊かな動きをサポートしますが、データ、計算、キャリブレーションの負担を増加させます。

Googleのアーカイブされた Cartographerリポジトリ は、局所的な軌道構築やグローバルなポーズグラフのアイデアを示しています。レンジセンシングも失敗の免れではありません。特徴のない長廊下、対称性、ガラス、鏡、埃、雨、移動する群衆などは、欠損や誤解を招くリターンを生むことがあります。

ビジュアル SLAM は外観とカメラジオメトリを利用しています

単眼視覚 SLAM は画像の特徴や直接的な強度関係を追跡し、システムによってはまばらなマップや密度の高いマップを作成できます。ステレオカメラやRGB-Dカメラは、信頼できる範囲内でメートル法の奥行きを加えます。カメラは豊かな外観を提供しますが、露出、ピント、質感、視認性に依存します。

モーションブラー、繰り返しパターン、暗さ、まぶしさ、大きな照明変化は連想品質を低下させます。動的な人間や画面は、システムが静的とみなす特徴を動かすことができます。カメラのキャリブレーション、シャッターモデル、露出戦略は見積もりの一部であり、別々の外観設定ではありません。

視覚慣性 SLAM は高速運動の証拠を追加します

ORB-SLAM3は、視覚的、視覚慣性的、多マップの研究ワークフローをカバーするオープンリファレンスです。リポジトリの ドキュメントには、カメラとIMUのキャリブレーションおよび初期化が明示的な要件であり、オプションの改善ではないことも示されています。

IMUは高速運動と低テクスチャの間隔を橋渡しし、適切な励起の下で重力と計量スケールを観察できるようにします。しかし、バイアス、タイミング、軸誤差は迅速に積分されます。初期化が弱ったり刺激性が低いと、軌道が滑らかに見えてもスケールやバイアス、向きが不十分に観察されてしまうことがあります。

家族	強い観察	典型的な弱点	検証シーン
2D LiDAR	平面幾何学	ガラスと繰り返される廊下	混合壁形状
3D LiDAR	計量3次元構造	コストとモーション歪み	多層ルート
単眼視覚	外観と方位	スケールと照明	テクスチャと露出スイープ
ステレオまたはRGB-D	メートル法の視覚深度	射程と光学的故障	近距離-遠方天体
視覚慣性	高速運動と重力	タイミング、バイアス、初期化	励起6軸運動

ループ閉鎖には幾何学的検証が必要です

場所認識は、2つの観測が同じ場所から来たと提案します。ループを追加する前に、別の幾何学的チェックで相対変換を検証する必要があります。繰り返しの棚やドア、廊下は、知覚的には似ているが物理的に異なる場所を生み出すことがあります。

偽陽性とループミスの両方の挙動をテストしてください。1つの誤った高信頼度閉包が、他に有用な地図を歪めてしまうことがありますが、閉包がなければドリフトは残りません。レコード提案、検証残差、受理されたエッジ、各ループによる軌道変化。

軌道指標は地図画像が何を隠しているかを明らかにします

絶対軌道誤差はルート上の基準へのアライメントを測定し、相対姿勢誤差は選択された区間の局所ドリフトを調べます。また、ループの一貫性、再定位時間、トラッキング損失率、マップの再現性、長時間セッションでのCPUやメモリの挙動も測定します。

レポートの整合性方法と参照の不確実性。フィットした変換はスケールやグローバルオフセットを隠すことができるので、生の指標と整列済みの指標を保持できます。ナビゲーションには、ローカライゼーションジャンプ、経路クリアランス誤差、繰り返しルート成功を追加してください。幾何学的に鮮明な壁面地図と、バイアスのあるロボットポーズと共存できます。

失敗テストは実際の環境を再現すべきです

まっすぐな通路、回転、エレベーターやランプ、ガラス、変化する照明、動的なオブジェクト、そして必要に応じて一時的な遮蔽を組み合わせたルートを作りましょう。速度、加速度、センサー温度を変えてください。テストで複数のマップの場所で起動し、必ずしも一つの既知の発信地からではなく。

ホイールのオドメトリーを廃止したり、カメラを覆ったり、スキャンの一部を遮断したり、タイムスタンプ遅延を導入したりします。不確実性、トラッキング損失の検出および回復を検証します。堅牢なシステムは、信頼が弱い時を知る必要があります。正確で間違ったポーズを続けるのは、やめるよりも悪いこともあります。

SLAM、ローカライズとナビゲーションは異なる役割を持っています

SLAM 軌道と地図を推定し、既存の表現における位置推定を行い、ナビゲーションは目標に向かう動きを選択・制御します。1つのパッケージで複数のモードを公開できますが、主張は別々のままです。地図の保守やローカリゼーションのみの運用は、データ保持と変更ポリシーも異なります。

グローバル補正中のコントローラのフレーム連続性を定義します。局所的なオドメトリーを滑らかに保ちつつ、適切な場合は別の変換でマップレベルの補正を適用してください。プランナーのフットプリント、障害物層、繰り返しルートで地図を検証し、見積もりの出力が下流で有用であることを証明しましょう。

• タイミング、内在要因、センサー外在要因の校正を行います。
• 局所ドリフトとグローバルループの整合性を測定します。
• ループクロージャーを幾何学的に検証します。
• 照明、幾何学、動き、動的物体の故障をテストします。
• 保存した地図上でローカライズとナビゲーションを検証します。

よくある質問

SLAMとナビゲーションは同じ技術なのでしょうか？

いいえ。 SLAM 推定はポーズと地図を描きます。ナビゲーションは世界表現と状態推定を用いて動きを計画・制御します。

LiDAR SLAMは必ず視覚的なSLAMよりも正確でしょうか？

いいえ。精度は環境、動き、キャリブレーション、アルゴリズム、基準によって異なります。幾何学的に劣ったり反射が悪いシーンは LiDAR を損なうことがあります。照明が視覚を損なうのと同じです。

ループクロージングは必須ですか？

すべての短いタスクでそうではありませんが、グローバルな参照や再訪がなければ、局所的ドリフトは一般的に長いルートに蓄積されます。

ホイールエンコーダーなしで SLAM 動作しますか？

はい。 LiDAR、視覚・慣性法、その他の方法で運動を推定できますが、エンコーダ入力が正しくモデル化されれば有用な補完的証拠を加えることができます。

きれいに見える地図は正確な位置情報の証明になるのでしょうか？

いいえ。レンダリングされた地図だけでなく、軌道誤差、ループの整合性、繰り返しの局在化、下流ナビゲーションも評価してください。

SLAM 証拠境界注

出力SLAM、キャリブレーション、環境、動き、連合、推定器の設定に依存します。展開前に独立した参照と下流ナビゲーションスタックで軌道と故障回復を検証してください。