Tarea No.

2:
Simultaneous Localization and Mapping

Juan Vicente Castro Soto

Interfaces Humana Computadora

Dr. Juan Gabriel González Serna

Cuernavaca, Morelos a 12 de febrero de 2019

 Índice

Resumen.................................................................................................................................................. 3
Marco teórico ......................................................................................................................................... 4
Modelo de mapa ................................................................................................................................. 4
Mapa métrico ................................................................................................................................. 4
Mapa topológico ............................................................................................................................. 4
Mapa conceptual ............................................................................................................................ 5
Mapa cognitivo ............................................................................................................................... 5
Contenido................................................................................................................................................ 6
Conclusión .............................................................................................................................................. 9
Bibliografía ........................................................................................................................................... 10
 Resumen

Hoy en día, con los avances tecnológicos en la ciencia de la robótica, hemos visto cómo construir

los robots para trabajar de forma autónoma en otros planetas, bajo mares y océanos y en entornos

desconocidos. Teniendo en cuenta que los robots no tienen ninguna información sobre el entorno,

deberían tener la capacidad de crear un mapa del entorno en movimiento y también estimar su

ubicación en ese mapa correctamente. Esta acción se denomina localización y asignación

simultáneas (SLAM). El mapeo es obtener un modelo del entorno del robot, y la localización es

estimar la posición del robot en el mapa obtenido. Para crear un mapa, debemos reconocer la

ubicación del robot y para localizarlo (problema de huevo y gallina), por lo que SLAM es un

problema difícil y famoso en palabras robóticas. En este estudio, explicaremos SLAM. Este

documento proporciona una introducción a la Localización y Mapeo Simultáneos (SLAM, por sus

siglas en inglés). La última década ha visto un rápido y emocionante progreso en la solución del

problema de SLAM junto con muchas implementaciones convincentes de los métodos de SLAM.
 Marco teórico

Modelo de mapa

Los mapas se utilizan a menudo para orientación y localización, por lo que para el mapeo; Los robots deben

estar equipados con varios sensores. Los sensores que se usan comúnmente para este trabajo son los

sensores de sonda para medir la distancia, láser, radar, infrarrojos, sensores táctiles, GPS, cámara, etc. Se

debe tener en cuenta que todos los sensores tienen al menos una pequeña cantidad de errores de medición

y también la mayoría de los sensores tienen un rango de operación limitado, por lo que, debido a estas

limitaciones, el robot para construir el mapa debería moverse en el entorno y utilizar métodos sofisticados.

En general, en diferentes tipos de aplicaciones robóticas, se utilizan cuatro métodos para la representación

del mapa del entorno: mapa métrico, mapa topológico, mapa conceptual y mapa cognitivo.

Mapa métrico

El mapa métrico muestra una visualización a escala del entorno. Uno de los mapas métricos es la cuadrícula

de ocupación que representa el entorno con una red discreta de celdas. La celda está ocupada por un

obstáculo o está vacía y se considera como vacío. Este método se usa especialmente cuando el robot móvil

está equipado con sensores de distancia como sonar porque la actualización del mapa es más fácil. Cada

celda tiene un contador que aumenta cuando el sensor de distancia devuelve un valor para él, y disminuye

cuando la medición lo supera. La debilidad importante de esta solución es usar memoria alta.

Mapa topológico

En mapas topológicos; evite las mediciones geométricas del entorno y, en cambio, enfatiza las

características de un entorno que es eficaz en la localización de robots. En el caso general, el mapa

topológico es un gráfico de nodos y enlaces. Los nodos muestran los lugares importantes en el entorno y

los enlaces muestran la contigüidad de los nodos. Cuando un enlace conecta dos nodos significa que el

robot puede moverse directamente entre esos dos lugares. La característica de los mapas topológicos es la

simplificación de los mapas y sus usos.

Mapa conceptual

En este enfoque, Galindo y sus colegas están tratando de equipar al robot con la organización y la

representación del conocimiento. Estos dos conocimientos estarán relacionados a través del anclaje. Este

trabajo conecta los símbolos a datos especiales que se refieren a la misma entidad física en el entorno. La

figura 4 muestra bien la estructura mencionada.

Mapa cognitivo

En el mapa cognitivo, se presentará un modelo que robot inteligente, entender el mapa del entorno como

los seres humanos. Así, en base a ello, actúan como humanos. En estos mapas, se presenta un modelo

basado en la anatomía y función del cerebro humano. En realidad, es un modelo biológico del cerebro

humano para la construcción de mapas.

 Contenido

La génesis del problema probabilístico de SLAM ocurrió en la Conferencia de Robótica y

Automatización IEEE de 1986, celebrada en San Francisco. Este fue un momento en que los

métodos probabilísticos apenas comenzaban a introducirse tanto en la robótica como en la

inteligencia artificial. Varios investigadores habían estado estudiando la aplicación de métodos

teóricos y de estimación para los problemas de mapeo y localización; estos incluían a Peter

Cheeseman, Jim Crowley y Hugh Durrant-Whyte. Durante el transcurso de la conferencia, muchos

manteles y servilletas de papel se llenaron de largas discusiones sobre el mapeo consistente. En el

camino, Raja Chatila, Oliver Faugeras, Randal Smith y otros también hicieron contribuciones

útiles a la conversación.

El resultado de esta conversación fue un reconocimiento de que el mapeo probabilístico consistente

fue un problema fundamental en robótica con importantes conceptos conceptuales y

computacionales. Problemas que debían ser abordados en los próximos años, se produjeron una

serie de documentos clave. Trabajo de Smith y Cheesman y Durrant-Whyte establecieron una base

estadística para describir relaciones entre hitos y manipular la incertidumbre geométrica. Un

elemento clave de este trabajo fue mostrar que debe haber una alta grado de correlación entre las

estimaciones de la ubicación de diferentes puntos de referencia en un mapa y que de hecho estas

correlaciones crecerían con observaciones sucesivas.

Al mismo tiempo, Ayache y Faugeras estaban emprendiendo un trabajo temprano en la navegación

visual, Crowley y Chatila y Laumond en la navegación basada en sonar de robots móviles que

utilizan algoritmos de tipo de filtro de Kalman. Estas dos líneas de investigación tenían mucho en

común y resultaron pronto después en el papel de hito de Smith, Self and Cheeseman. Este papel
demostró que a medida que un robot móvil se mueve a través de un entorno desconocido que toma

observaciones relativas de puntos de referencia, las estimaciones de estos puntos de referencia son

todo necesariamente correlacionado entre sí debido al error común en la ubicación estimada del

vehículo. La implicación de esto fue profunda: una solución completa consistente problema de

localización y mapeo combinado requieren un estado conjunto compuesto por la pose del vehículo

y cada posición de punto de referencia, que se actualizará después de cada punto de referencia

observación. A su vez, esto requeriría que el estimador emplee un vector de estado enorme (de

orden, la cantidad de puntos de referencia mantenidos en el mapa) con el cálculo de escala como

el cuadrado del número de hitos.

De manera crucial, este trabajo no analizó las propiedades de convergencia del mapa o su

comportamiento en estado estable. De hecho, se asumió ampliamente en el momento en que el

mapa estimado los errores no convergerían y en su lugar exhibirían un comportamiento aleatorio

con un crecimiento de error ilimitado. Así, dada la complejidad computacional del problema de

mapeo y sin conocimiento del comportamiento de convergencia en el mapa, los investigadores se

centraron en una serie de aproximaciones a la solución del problema de mapeo consistente que

asumido o incluso forzado las correlaciones entre hitos para ser minimizado o eliminado

reduciendo el filtro completo a una serie de puntos de referencia desacoplados a filtros de vehículos

(por ejemplo). También por estas razones, trabajos teóricos sobre el problema combinado de

localización y mapeo llegó a una parada temporal, con el trabajo a menudo centrado en cualquiera

de los mapas de localización como problemas separados.

El avance conceptual vino con la realización que el problema combinado de mapeo y localización,

una vez formulado como un solo problema de estimación, fue en realidad convergente. Lo más

importante, se reconoció que la correlaciones entre puntos de referencia, que la mayoría de los
investigadores trataron de minimizar, fueron en realidad la parte crítica del problema y que, por el

contrario, cuanto más crecían estas correlaciones, mejor era la solución. La estructura del problema

de SLAM, el resultado de la convergencia y la acuñación de el acrónimo "SLAM" se presentó por

primera vez en un estudio sobre robótica móvil presentado en el Simposio Internacional sobre

Investigación en Robótica de 1995. La teoría esencial sobre la convergencia y muchos de los

resultados iniciales fueron desarrollados por Csorba. Varios grupos ya trabajan en cartografía y

localización, especialmente en el MIT, Zaragoza, el ACFR en Sydney y otros, comenzó a trabajar

en serio en aplicaciones SLAM1 en interiores, ambientes exteriores y submarinos.

En este momento, el trabajo se centró en mejorar la eficiencia de computación y problemas de

direccionamiento en asociación de datos o 'bucle cierre'. El Simposio Internacional sobre

Investigación en Robótica de 1999 (ISRR'99) fue una reunión importante, punto donde se celebró

la primera sesión de SLAM y donde un grado de convergencia entre el filtro de Kalman se lograron

los métodos SLAM y los métodos probabilísticos de localización y mapeo introducidos por Thrun.

El taller 2000 IEEE ICRA sobre SLAM atrajo a quince investigadores y se centró en temas como

la complejidad algorítmica, la asociación de datos y los desafíos de implementación. El siguiente

taller de SLAM en el ICRA 2002 atrajo 150 investigadores con una amplia gama de intereses y

aplicaciones. La escuela de verano SLAM 2002 organizada por Henrik Christiansen en KTH en

Estocolmo atrajo a todos los investigadores clave junto con unos 50 estudiantes de doctorado en

todo el mundo y fue un tremendo éxito en la construcción del campo. El interés en SLAM ha

crecido exponencialmente en los últimos años, y los talleres continúan celebrándose tanto en ICRA

e IROS.
 Conclusión

Este documento describió el problema de SLAM, los métodos esenciales para resolver el problema

de SLAM y resumió las implementaciones y demostraciones clave del método. Si bien todavía hay

muchos problemas prácticos que superar, especialmente en entornos exteriores más complejos, el

método general de SLAM es ahora una parte bien entendida y establecida de la robótica. Dado que

la localización y el mapeo simultáneos (SLAM) es un problema difícil en el mundo robótico;

estudiar y trabajar en eso es un poco difícil. Por lo tanto, para comprender mejor que se necesitan

algunos reconocimientos básicos y útiles.

 Bibliografía

Bailey, T. (2006). History of the SLAM Problem. En Simultaneous Localisation and Mapping

(SLAM): Part I The Essential Algorithms (1, 2). Australia: ACFR

Mahrami, M. (2013). Model of map robotic. En Simultaneous Localization and Mapping: Issues

and Approaches (1, 2). Malaysia: International Journal of Computer Science and

Telecommunications.