Wat is SLAM-technologie voor veegrobots?

2020-08-21

Een nieuwe veegrobot werd aan het huis toegevoegd en mijn moeder was er verbaasd over: een machine ter grootte van een bord, hij begon te werken zodra hij de deur binnenkwam, het was hard werken. Dus welke technologie heeft het mogelijk gemaakt dat het slimme IQ van de veegrobot de hoge grond bezet? Als je naar de productintroductie van veegrobots kijkt, zul je een term tegenkomen die door veel veegrobots wordt gebruikt: "Simultane lokalisatie en mapping" (Simultane lokalisatie en mapping, SLAM) -technologie.

Wat is SLAM? Laten we allereerst "doorkruisen" om een ​​veegrobot te worden om over te praten. Welke taken moeten als veegrobot na het betreden van een onbekende ruimte een automatische veegtaak worden voltooid?

a) Wie ben ik en waar ben ik? Hoe u snel een positionering kunt bereiken en uw relatieve positie in de omgeving kunt begrijpen;
 
b) Waar kom ik vandaan en wat is er in de buurt? Hoe maak je in realtime een kaart van de omgeving en hoe zie je waar obstakels en muren zijn? Vertrouwen op de positionering van kaartinformatie is zinvol;

c) Waar moet ik heen en hoe moet ik gaan? Hoe kun je met een kaart en een locatie een pad plannen zonder de muur te raken, de weg te herhalen of elke hoek te missen?

De bovenstaande drie problemen zijn de 'ultieme filosofische problemen' die een veegrobot SLAM gebruikt om op te lossen (in feite omvat SLAM strikt genomen alleen de eerste twee problemen, en sommige AR-toepassingsscenario's bevatten geen padplanningsproblemen. Hier gebruiken we Sweeping robot introduceert SLAM-probleem, laten we er samen over praten.)



De essentie van SLAM-technologie ligt in "S" â € "â €" Simultaan, wat betekent "aan de andere kant ..." in het Chinees, terwijl je je eigen positie verwerft en de vraag "waar ben ik" beantwoordt, terwijl je construeert een kaart en het beantwoorden van de vraag 'waar kom ik vandaan', wat is er in de buurt. Om iedereen de betekenis van deze 'S' beter te laten begrijpen, zijn we verdeeld in twee kanten. Laten we eerst eens kijken naar het verleden en het heden van SLAM-technologie:

Het technische denken van SLAM is terug te voeren op de positionering van onderzeeërs op militair gebied. In tegenstelling tot oppervlakteschepen die gemakkelijk kunnen navigeren en lokaliseren via GPS, visuele observatie, enz., Moeten onderzeeërs naar diepzee-activiteiten duiken zonder zonlicht tijdens het uitvoeren van taken (dit is goed begrepen, drijven op het oppervlak of in ondiepe wateren zal de onderzeeër verliezen ... ™ s Significance ~), is het moeilijk om rechtstreeks te lokaliseren en te navigeren via traditionele methoden. Daarom gebruiken de meeste onderzeeërs, om taken normaal uit te voeren, INS (traagheidsnavigatie) en APS (akoestische onderwaternavigatie) voor gezamenlijke positionering, plus track mapping en kaartgegevens om de geschatte scheepslocatie te schatten, het proces van positionering, toevoegen en het tekenen van een kaart als deze is de embryonale vorm van technisch SLAM-denken.

Net als onderzeeërs kunnen robots niet altijd op GPS vertrouwen, met name veegrobots die in binnenscenario's worden gebruikt. GPS heeft buitenshuis een nauwkeurigheid van enkele meters. Door op GPS te vertrouwen, kunnen veegrobots niet veilig de poten van de salontafel ontwijken en de bank schoonmaken. bodem. Ze vertrouwen op SLAM-technologie en kunnen de omgeving zelf observeren en in kaart brengen, een navigatiekaart maken door middel van sensorgegevenskalibratie en dan begrijpen waar ze zijn, waar ze heen moeten om de vloer te vegen of terug naar de hoek om op te laden. We kunnen het eenvoudige technische denken van SLAM samenvatten: zonder voorkennis kan de omgevingsinformatie worden verkregen door middel van sensoren en kan de omgevingskaart snel en real-time worden samengesteld, en tegelijkertijd kan het zijn eigen positie en voltooi op deze basis volgende taken, zoals padplanning. Klinkt het simpel? Maar in feite is SLAM een complexe taak met meerdere fasen, waaronder het verzamelen van verschillende soorten onbewerkte gegevens (laserscangegevens, visuele informatiegegevens, enz.) In de werkelijke omgeving via sensoren, en het berekenen van de relatieve positieschatting van bewegende doelen op verschillende tijden door visuele odometrie (inclusief functies) Matching, directe registratie, etc.), via de back-end module om de cumulatieve fout veroorzaakt door de visuele kilometerteller te optimaliseren (traditioneel filteralgoritme, kaartoptimalisatie-algoritme, etc.), en tenslotte een kaart via de mapping-module (uiteraard moet deze meestal zijn uitgerust met lusdetectie om geaccumuleerde fouten in de ruimte te elimineren, enz.) om het doel van mapping en positionering te bereiken.