自發系統不再侷限於受控制的工廠車間或預先映射的環境。從穿梭於繁忙倉庫的送貨機器人到解讀真實道路的自動駕駛汽車,如今重塑產業的機器必須感知、定位並在從未遇到過的空間中行動。同步定位與地圖建構是實現此目標的基礎技術,使智慧系統能夠建立未知環境的精確空間模型,同時持續追蹤自身在這些模型中的位置,所有這些都是即時完成。隨著自主智慧在機器人、汽車和邊緣運算領域的擴展,SLAM 已成為現代人工智慧基礎設施中最具戰略意義的能力之一。
什麼是同步定位與建圖(SLAM)?
同時定位與地圖建構(SLAM)是一種運算技術,其允許自主代理(例如機器人、車輛或無人機)構建陌生環境的地圖,並同時確定自身在該地圖中的位置,而無需依賴先前存在的地圖或外部定位系統(例如 GPS)。
SLAM 解決的核心挑戰本質上是自相矛盾的:精確的地圖繪製需要知道自己在哪裡,而知道自己在哪裡又需要地圖。SLAM 演算法透過將這兩個問題視為相互依存並聯合解決其來解決此問題,利用機率推理和即時感測器資料。關鍵演算法方法包括擴展卡爾曼(Kalman)濾波器、粒子濾波器和基於圖的最佳化方法(如 GraphSLAM),每種方法都在準確性、計算負載和可擴充性之間提供了不同的權衡。
SLAM 位於人工智慧(AI)、電腦視覺和機器人的交匯處,為必須在 GPS 訊號受限、非結構化或動態變化的環境中智慧運行的系統提供動力。SLAM 曾經主要是一個學術研究主題,如今卻已成為數十個產業商業產品的基礎,這得益於感測器價格的快速下降和車載處理能力的快速發展。
同步定位與地圖建構是如何運作的?
SLAM 系統透過兩個緊密耦合的處理階段運作。前端負責處理感測器特定的資料擷取和特徵提取,而後端則執行全局最佳化,以產生隨時間推移而連貫、準確的地圖。這些階段會持續執行並互相通知,讓系統在新資料抵達時,能精簡其地圖和位置估計。
例如,許多現代機器人吸塵器都使用 SLAM 技術。吸塵器不是從每個房間的地圖開始。相反地,它使用攝影機、雷射雷達感測器或其他感測器來觀察周圍環境,識別牆壁和家具,估算自己移動的距離,並逐步建立房屋地圖。同時,它還會持續追蹤自己在該地圖的位置。
一旦機器人創建了可靠的地圖,它的導航效率就能比主要依靠碰撞感測器和隨機運動模式的舊式掃地機器人高得多。與其在房間裡漫無目的地遊蕩,遇到障礙物就改變方向,不如讓支援 SLAM 的機器人沿著優化的清潔路線前進,避免重複清潔同一區域,按需清潔特定房間,並在需要時直接返回充電站。隨著環境的變化,例如家具被移動或之前封閉的房間變得可進入時,機器人可以更新和擴展其地圖,同時繼續在家中其他區域進行精確導航。
越來越多的 SLAM 系統也與機器學習和 AI 技術結合。這些系統不僅可以辨識物體的位置,還可以解釋這些物體是什麼,並瞭解它們在環境中的作用。例如,先進的倉庫機器人可以區分貨架、設備、棧板和人員,從而做出更明智的導航決策。SLAM、感測器融合和人工智慧的結合,正在幫助機器人、汽車、工業自動化和擴增實境應用領域擴展自主性。
核心處理流程包括:
- 感測器資料擷取:攝影機、光達、雷達、慣性測量單元(IMU)或聲吶收集原始環境資料
- 地標和特徵提取:系統從輸入的傳感器數據中識別出穩定、獨特的參考點,例如邊緣、平面和角點。
- 里程計和運動估計:透過比較連續的感測器讀數來估算移動距離,從而追蹤智慧體的移動軌跡。
- 地圖更新:新發現的特徵會被添加到不斷增長的空間模型中,或在其中進行改進
- 本地化:智慧體將當前感測器觀測結果與現有地圖進行匹配,以計算其精確位置和方向(姿勢)。
- 環閉合:當系統辨識出先前造訪的位置時,會使用該辨識偵測並修正累積的位置錯誤
- 姿態圖優化:後端解決器可最大限度地減少整個軌跡上的總誤差,從而產生全域一致的高保真度地圖。
同步定位與地圖建構的歷史為何?
SLAM 在過去的四十年中穩步發展,從理論機率模型發展到部署在消費性產品和工業平台中的即時系統。
- 1980 年代:行動機器人研究人員建立 SLAM 的概率基礎。早期方法,包括擴展的卡爾曼(Kalman)濾波器(EKF),證明位置和環境的聯合估計是數學上可追蹤的
- 1990 年代至 2000 年代初期:FastSLAM 等粒子濾波方法提高了可擴充性,並可在更大、更複雜的環境中實現 SLAM。現場機器人實驗開始展現真實世界的可行性
- 2005 年:參加 DARPA 挑戰賽的自動駕駛汽車團隊將 SLAM 作為核心導航功能,這標誌著實用自動駕駛研究的轉捩點。
- 2010 年代:相機和光達感測器快速降低成本,加上 GPU 加速運算,推動了視覺 SLAM 研究的蓬勃發展。ORB-SLAM 和 LSD-SLAM 等演算法成為廣泛採用的基準
- 2020 年代:多感測器融合架構成為生產標準。機器學習的整合實現了語意場景理解,讓 SLAM 系統不僅能夠辨識物體的位置,還能辨識物體的種類,從而擴展了機器人、汽車和擴增實境平台的自主性。
同步定位與地圖建構的主要類型為何?
SLAM 的實作會根據所使用的感測器、環境類型和所需的輸出而有很大差異。現代 SLAM 格局由三種主要方法構成,每種方法都有其獨特的效能特徵,適合不同的部署環境。
1. 視覺 SLAM(vSLAM)
視覺 SLAM 使用攝影機作為其主要感知方式,從影像序列中提取空間資訊來估計姿態並建立地圖。設定選項包括單眼相機、立體聲相機配對、魚眼鏡頭鏡頭和 RGB-D 相機,它們將標準影像與每像素深度資料相結合。由於攝影機成本低、重量輕且廣泛使用,因此 vSLAM 特別適合消費者機器人、擴增實境(AR)平台和行動裝置應用程式。單眼 vSLAM 使用單一鏡頭,深度估計的複雜性更高,通常透過將攝影機資料與 IMU 讀數融合來解決。演算法系列包含了稀疏方法(追蹤幀間的獨特關鍵點)和密集方法(根據像素級亮度資訊對場景幾何形狀進行建模)。
2. 光達 SLAM
光偵測和測距(光達)SLAM 透過雷射距離測量產生空間模型,產生 2D 或 3D 點雲,以高精度表示周圍環境的幾何形狀。由於雷射感測器直接測量距離而不是從影像中推斷出距離,因此光達 SLAM 提供了卓越的準確度,尤其是在涉及自動駕駛汽車和航空和國防用的無人飛行車(UAV)等快速移動平台的應用中。使用包含迭代最近點(ICP)和常態分佈變換(NDT)在內的配準演算法對連續點雲端進行對齊,從而在平台移動時實現連續定位。光達在各種光照條件下都能可靠運行,使其成為安全至關重要的戶外部署的首選。
3. 多感測器 SLAM
多感測器 SLAM 整合了來自多種感測器模式(包括攝影機、光達、IMU、GPS 和雷達)的資料流,以克服任何單一感測器類型的限制。攝影機提供豐富的視覺背景,但在低光源或高動態範圍條件下會下降;光達保持空間準確性,但在反射或透明表面有困難;慣性測量單元(IMU)提供高頻率運動資料,但隨著時間累積漂移。透過因子圖等數學框架融合這些互補輸入,多感測器 SLAM 比任何單感測器方法都具有更高的穩健性和準確性。此架構已成為自駕車、進階機器人和高可靠性工業系統的生產標準。
同步定位與建圖是如何使用的?
SLAM 演算法可在各種產業和環境中提供自主導航和空間感知能力。無論機器必須在無預建地圖或可靠的 GPS 覆蓋的情況下在何處操作,SLAM 都能實現安全、高效和智慧的移動。
- 自駕車: SLAM 技術使自動駕駛汽車和卡車能夠持續繪製周圍環境地圖,並在複雜多變的交通環境中保持精確定位,透過基於感測器的即時定位來補充 GPS 的可靠性。
- 倉庫機器人:自動導引車(AGV)和自主移動機器人(AMR)利用即時定位與地圖建構(SLAM)技術來導航樓層佈局、避開人員和托盤等動態障礙物,並在共享空間內高效協作。
- 消費者機器人:配備 SLAM 技術的現代機器人吸塵器在首次使用時即可建立房間地圖,並隨著家具的移動逐步更新地圖,從而實現系統化、節能的清潔,不需要手動重新編程。
- 無人駕駛飛行器:無人機在其他導航系統無法運作的場所,例如災區、室內空間、隧道和森林,可以使用 SLAM 導航。
- 擴增實境(AR): AR 應用程式利用 SLAM 衍生的姿態估計技術,將虛擬內容精確地錨定到現實世界的表面上,從而在智慧型手機和穿戴式裝置上提供穩定且具有空間感知能力的疊加層。
- 行星及極端環境探索:在其他行星或難以到達的地球環境中運行的自主偵測車利用 SLAM 技術產生人類未曾勘測過的地形地圖,從而支援科學研究和遠端作業。
- 汽車 ADAS:先進駕駛輔助系統(ADAS)將基於即時定位與地圖建構(SLAM)的環境感知應用於車道維持、危險偵測、自動停車和自適應巡航功能
SLAM 和智慧機器人的未來
隨著 SLAM 技術的不斷發展,自主系統正變得越來越能夠建構更豐富、更詳細的呈現周遭世界。人工智慧和機器學習的進步讓機器人和自駕車能夠超越簡單的製圖和在地化,更深入瞭解物體、環境和背景。同時,高解析度感測器、多感測器融合和即時決策也產生了前所未有的資料量,必須以最低的延遲來處理、儲存和存取。這些趨勢正增加對高效能記憶體和儲存解決方案的需求,以支援邊緣端複雜的 AI 工作負載量。隨著自主系統變得越來越智慧化,並在日益動態的環境中運作,記憶體和儲存裝置在實現更快的製圖、更準確的在地化以及下一代機器人、汽車、工業自動化和邊緣人工智慧應用程式方面將扮演關鍵角色。
視覺 SLAM 使用攝影機偵測影像特徵並估計位置,而雷射雷達 SLAM 使用雷射感測器測量精確距離並產生點雲地圖。光達提供更高的空間精確度,並在光線條件下始終如一地執行;視覺 SLAM 提供更低的硬體成本和更豐富的場景紋理,使每種方法更適合不同的應用和成本限制。
SLAM 讓自主系統能夠在不熟悉或不斷變化的環境中安全駕馭,而不需仰賴現有的地圖或 GPS。透過持續即時建立和修正空間模型,SLAM 驅動的機器人和車輛可以規劃路徑、避開障礙物,並在室內空間、動態室外環境和 GPS 訊號受限的條件下可靠地運作,這使其成為任何真正自主系統的必要能力。
光達(光探測和測距)是一種利用雷射脈衝測量距離並創建周圍環境詳細地圖的感測技術。透過測量光線從物體反射並返回感測器所需之時間,光達可產生高度精確的空間 3D 呈現,有助機器人、自動駕駛汽車、無人機和其他系統檢測障礙物、導航和瞭解周圍環境。
感測器融合是將來自多個感測器(如攝影機、光達、雷達、GPS 和慣性測量單元(IMU))的資料結合的程序,從而建立更全面、更準確地瞭解環境的過程。透過整合來自多個來源的資訊,感測器融合可幫助自主系統改善導航,減少不確定性,即使單個感測器受到黑暗、天氣或障礙物等條件的影響,也能保持可靠的性能。