Hvad er SLAM-teknologi til fejning af robotter?

2020-08-21

En ny gulvfejningsrobot blev føjet til huset, og min mor var forbløffet over det: en maskine på størrelse med en plade, den begyndte at arbejde, så snart den kom ind i døren, det var hårdt arbejde. Så hvilken teknologi har gjort det muligt for den fejende robots smarte IQ at besætte det høje terræn? Ser man på produktintroduktionen af ​​fejende robotter, finder du et udtryk, der bruges af mange fejende robotter - "Simultan lokalisering og kortlægning" (Simultan lokalisering og kortlægning, SLAM) -teknologi.

Hvad er SLAM? Lad os først og fremmest "krydse" for at blive en fejende robot til at begynde at tale om. Hvis du ønsker at udføre en automatisk fejeopgave, når du er kommet ind i et ukendt rum, hvilke opgaver skal der udføres?

a) Hvem er jeg, og hvor er jeg? Hvordan man hurtigt opnår positionering og forstår din relative position i miljøet;
 
b) Hvor kommer jeg fra, og hvad er der omkring? Hvordan konstrueres et kort over det omgivende miljø i realtid og opfattes, hvor der er forhindringer og vægge? At stole på placeringen af ​​kortoplysninger er meningsfuldt;

c) Hvor skal jeg hen, og hvordan skal jeg hen? Hvordan opnås stiplanlægning med et kort og en placering uden at ramme væggen, gentage vejen eller gå glip af hvert hjørne?

Ovenstående tre problemer er de "ultimative filosofiske problemer", som en fejende robot bruger SLAM til at løse (faktisk inkluderer SLAM strengt taget kun de to første problemer, og nogle AR-applikationsscenarier inkluderer ikke sti-planlægningsproblemer. Her bruger vi Fejning robot introducerer SLAM-problem, lad os tale om det sammen.)



Essensen af ​​SLAM-teknologi ligger i "S" â € ”Simultan, hvilket betyder" på den anden side ... "på kinesisk, mens du tilegner dig en egen position og besvarer spørgsmålet om" hvor er jeg ", mens du konstruerer et kort og svarer "hvor er jeg fra", Hvad er der omkring "spørgsmål. For bedre at lade alle forstå betydningen af ​​dette" S "er vi opdelt i to sider. Lad os først se på fortiden og nutiden af SLAM-teknologi:

SLAMs tekniske tænkning kan spores tilbage til placeringen af ​​ubåde på det militære område. I modsætning til overfladeskibe, der let kan navigere og lokalisere via GPS, visuel observation osv., Er ubåde nødt til at dykke ned til dybhavsaktiviteter uden sollys, når de udfører opgaver (dette er velkendt, flydende på overfladen eller i lavt vand vil miste ubåden ... ™ s betydning ~), er det svært at finde og navigere gennem traditionelle metoder direkte. For at udføre opgaver normalt bruger de fleste ubåde INS (inerti-navigation) og APS (akustisk undervandsnavigation) til fælles positionering plus sporkortlægning og kortdata til at estimere den omtrentlige skibsposition, processen med positionering, tilføjelse og tegning af et kort som dette er den embryonale form for SLAM teknisk tænkning.

Ligesom ubåde kan robotter ikke altid stole på GPS, især fejende robotter, der bruges i indendørs scenarier. GPS har en nøjagtighed på et par meter udendørs. At stole på GPS kan ikke lade fejende robotter sikkert undgå benene på sofabordet og rengøre sofaen. bund. På baggrund af SLAM-teknologi kan de overvåge og kortlægge det omgivende miljø på egen hånd, bygge et navigeringskort gennem sensordatakalibrering og derefter forstå, hvor de er, hvor de skal gå for at feje gulvet eller gå tilbage til hjørnet for at oplade. Vi kan opsummere SLAMs enkle tekniske tænkning: Uden forudgående viden kan de omgivende miljøoplysninger erhverves gennem sensorer, og miljøkortet kan konstrueres hurtigt og i realtid, og på samme tid kan det løse sin egen position og udføre efterfølgende opgaver såsom sti planlægning på dette grundlag. Lyder det simpelt? Men i virkeligheden er SLAM en kompleks flertrinsopgave, der inkluderer indsamling af forskellige typer rådata (laserscanningsdata, visuelle informationsdata osv.) I det faktiske miljø gennem sensorer og beregning af den relative positionsestimering af bevægelige mål ved forskellige gange gennem visuel kilometertælling (inklusive funktioner) Matching, direkte registrering osv.), gennem backend-modulet for at optimere den kumulative fejl forårsaget af det visuelle kilometertæller (traditionel filtreringsalgoritme, kortoptimeringsalgoritme osv.) og til sidst generere en kortlægge kortlægningsmodulet (det skal naturligvis normalt være udstyret med sløjfedetektion for at eliminere akkumulerede fejl i rummet osv.) for at opnå formålet med kortlægning og positionering.