SLAM: Едновременна локализация и картографиране

Дефиниционни граници и таксономия

Едновременното локализиране и картографиране (SLAM) е основополагащият изчислителен проблем за конструиране или актуализиране на карта на непозната среда, докато едновременно с това се проследява местоположението на агента в нея. В основата си това е класическият проблем за "яйцето и кокошката": за да се локализира прецизно, роботът се нуждае от карта, но за да изгради кохерентна карта, той трябва да знае точното си местоположение. На архитектурно ниво SLAM традиционно се разделя на две основни подсистеми: Front-End (обработка на сензорни данни, извличане на характеристики, асоцииране на данни и отхвърляне на отклонения) и Back-End (оценка на състоянието, оптимизация на картата, минимизиране на грешките и изчисление за затваряне на цикъла).

Таксономично, SLAM системите се класифицират главно според техните перцептивни модалности и основните парадигми за филтриране:

• Visual SLAM (vSLAM): Разчита на монокулярни, стерео или RGB-D камери (напр. ORB-SLAM3, SVO, LSD-SLAM). Монокулярните системи страдат от неяснота на мащаба, което изисква IMU интеграция.
• LiDAR SLAM: Използва 2D или 3D лазерни скенери, идеален за структурни геометрии и независими от осветлението операции (напр. LOAM, Cartographer, FAST-LIO).
• Инерциално сливане (VIO/LIO): Visual-Inertial Odometry и LiDAR-Inertial Odometry, свързващи високочестотни IMU данни с нискочестотни перцептивни сканирания за преодоляване на зони без отличителни белези и агресивно размазване на движението.
• Semantic SLAM: Включва разпознаване на обекти за картографиране не само на геометрията, но и на значението на пространството, преминавайки от плътни облаци от точки към обектно-ориентирани топологични карти.
• Radar SLAM: Използва mmWave радар за екстремна устойчивост на атмосферни влияния (мъгла, прах, дъжд), макар и с високи профили на шум и редки отражения.