Professional Documents
Culture Documents
2:
Simultaneous Localization and Mapping
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
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
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
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
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
Automatización IEEE de 1986, celebrada en San Francisco. Este fue un momento en que los
teóricos y de estimación para los problemas de mapeo y localización; estos incluían a Peter
camino, Raja Chatila, Oliver Faugeras, Randal Smith y otros también hicieron contribuciones
útiles a la conversación.
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
elemento clave de este trabajo fue mostrar que debe haber una alta grado de correlación entre las
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
De manera crucial, este trabajo no analizó las propiedades de convergencia del mapa o su
con un crecimiento de error ilimitado. Así, dada la complejidad computacional del problema de
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
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
primera vez en un estudio sobre robótica móvil presentado en el Simposio Internacional sobre
resultados iniciales fueron desarrollados por Csorba. Varios grupos ya trabajan en cartografía y
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
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
estudiar y trabajar en eso es un poco difícil. Por lo tanto, para comprender mejor que se necesitan
Bailey, T. (2006). History of the SLAM Problem. En Simultaneous Localisation and Mapping
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.