La localización y el mapeo simultáneos ( SLAM ) es el problema computacional de construir o actualizar un mapa de un entorno desconocido y al mismo tiempo realizar un seguimiento de la ubicación de un agente dentro de él. Si bien esto inicialmente parece ser un problema del huevo y la gallina, existen varios algoritmos conocidos por resolverlo, al menos aproximadamente, en un tiempo manejable para ciertos entornos. Los métodos de solución aproximada populares incluyen el filtro de partículas , el filtro de Kalman extendido , la intersección de covarianza y GraphSLAM . Los algoritmos SLAM se basan en conceptos de geometría computacionaly visión por computadora , y se utilizan en navegación robótica , cartografía robótica y odometría para realidad virtual o realidad aumentada .
Los algoritmos SLAM se adaptan a los recursos disponibles, por lo tanto, no apuntan a la perfección, sino al cumplimiento operativo. Enfoques publicados se emplean en los coches auto-conducción , vehículos aéreos no tripulados , vehículos submarinos autónomos , vehículos de exploración planetaria , los nuevos robots domésticos e incluso en el interior del cuerpo humano.
Descripción matemática del problema
Dada una serie de controles y observaciones de sensores en pasos de tiempo discretos , el problema de SLAM es calcular una estimación del estado del agente y un mapa del medio ambiente . Todas las cantidades suelen ser probabilísticas, por lo que el objetivo es calcular:
La aplicación de la regla de Bayes proporciona un marco para actualizar secuencialmente las ubicaciones posteriores, dado un mapa y una función de transición.,
De manera similar, el mapa se puede actualizar secuencialmente por
Como muchos problemas de inferencia, las soluciones para inferir las dos variables juntas se pueden encontrar, en una solución local óptima, alternando actualizaciones de las dos creencias en una forma de algoritmo EM .
Algoritmos
Las técnicas estadísticas utilizadas para aproximar las ecuaciones anteriores incluyen filtros de Kalman y filtros de partículas (también conocidos como métodos de Monte Carlo ). Proporcionan una estimación de la función de probabilidad posterior para la pose del robot y para los parámetros del mapa. Los métodos que se aproximan de manera conservadora al modelo anterior utilizando la intersección de covarianza pueden evitar la dependencia de supuestos de independencia estadística para reducir la complejidad algorítmica para aplicaciones a gran escala. [1] Otros métodos de aproximación logran una eficiencia computacional mejorada mediante el uso de representaciones simples de incertidumbre de regiones limitadas. [2]
Las técnicas de pertenencia a conjuntos se basan principalmente en la propagación de restricciones de intervalo . [3] [4] Proporcionan un conjunto que encierra la pose del robot y una aproximación fija del mapa. El ajuste del paquete , y más generalmente la estimación máxima a posteriori (MAP), es otra técnica popular para SLAM que utiliza datos de imagen, que estima conjuntamente poses y posiciones de puntos de referencia, lo que aumenta la fidelidad del mapa, y se utiliza en sistemas SLAM comercializados como ARCore de Google, que reemplaza a sus anterior proyecto de realidad aumentada ' Tango '. Los estimadores MAP calculan la explicación más probable de las poses del robot y el mapa dados los datos del sensor, en lugar de intentar estimar la probabilidad posterior completa.
Los nuevos algoritmos SLAM siguen siendo un área de investigación activa, [5] y a menudo se basan en diferentes requisitos y suposiciones sobre los tipos de mapas, sensores y modelos que se detallan a continuación. Muchos sistemas SLAM pueden verse como combinaciones de opciones de cada uno de estos aspectos.
Cartografía
Los mapas topológicos son un método de representación del entorno que captura la conectividad (es decir, la topología ) del entorno en lugar de crear un mapa geométricamente preciso. Se han utilizado enfoques de SLAM topológicos para reforzar la coherencia global en los algoritmos SLAM métricos. [6]
Por el contrario, los mapas de cuadrícula utilizan matrices (típicamente cuadradas o hexagonales) de celdas discretizadas para representar un mundo topológico y hacer inferencias sobre qué celdas están ocupadas. Normalmente, se supone que las celdas son estadísticamente independientes para simplificar el cálculo. Bajo tal supuesto, se establecen en 1 si las celdas del nuevo mapa son consistentes con la observación en el lugar y 0 si es inconsistente.
Los automóviles modernos sin conductor simplifican en su mayoría el problema de la cartografía a casi nada, haciendo un uso extensivo de datos de mapas altamente detallados recopilados con anticipación. Esto puede incluir anotaciones en el mapa al nivel de las ubicaciones de las marcas de segmentos de líneas blancas individuales y bordillos en la carretera. Los datos visuales con etiquetas de ubicación, como StreetView de Google, también se pueden usar como parte de los mapas. Básicamente, estos sistemas simplifican el problema de SLAM a una tarea de localización más simple , permitiendo quizás que los objetos en movimiento, como automóviles y personas, solo se actualicen en el mapa en tiempo de ejecución.
Sintiendo
SLAM siempre utilizará varios tipos diferentes de sensores, y los poderes y límites de varios tipos de sensores han sido un importante impulsor de los nuevos algoritmos. [7] La independencia estadística es el requisito obligatorio para hacer frente al sesgo métrico y al ruido en las mediciones. Diferentes tipos de sensores dan lugar a diferentes algoritmos SLAM cuyas suposiciones son las más apropiadas para los sensores. En un extremo, los escaneos láser o las características visuales proporcionan detalles de muchos puntos dentro de un área, a veces no es necesario hacer la inferencia SLAM porque las formas en estas nubes de puntos se pueden alinear fácil y sin ambigüedades en cada paso mediante el registro de imágenes . En el extremo opuesto, los sensores táctiles son extremadamente escasos ya que solo contienen información sobre puntos muy cercanos al agente, por lo que requieren modelos previos fuertes para compensar en SLAM puramente táctil. La mayoría de las tareas prácticas de SLAM se encuentran en algún lugar entre estos extremos visuales y táctiles.
Los modelos de sensores se dividen ampliamente en enfoques basados en puntos de referencia y datos sin procesar. Los puntos de referencia son objetos identificables de forma única en el mundo cuya ubicación puede estimarse mediante un sensor, como puntos de acceso wifi o balizas de radio. Los enfoques de datos brutos no suponen que los puntos de referencia puedan identificarse, sino que modelan directamente en función de la ubicación.
Los sensores ópticos pueden ser telémetros láser unidimensionales (haz único) o 2D (barrido) , LiDAR de alta definición 3D , LIDAR Flash 3D , sensores de sonda 2D o 3D y una o más cámaras 2D . [7] Desde 2005, ha habido una intensa investigación sobre VSLAM (SLAM visual) utilizando principalmente sensores visuales (cámara), debido a la creciente ubicuidad de cámaras como las de los dispositivos móviles. [8] Los sensores visuales y LIDAR son lo suficientemente informativos como para permitir la extracción de puntos de referencia en muchos casos. Otras formas recientes de SLAM incluyen SLAM táctil [9] (detección por toque local solamente), SLAM de radar, [10] SLAM acústico, [11] y wifi-SLAM (detección por puntos fuertes de puntos de acceso wifi cercanos). [12] Los enfoques recientes se aplican cuasi-óptico inalámbrico que van de multilateración ( RTLS ) o multi-angulación en conjunción con SLAM como un tributo a las medidas inalámbricas erráticos. Un tipo de SLAM para peatones humanos utiliza una unidad de medición inercial montada en un zapato como sensor principal y se basa en el hecho de que los peatones pueden evitar las paredes para construir automáticamente los planos de los edificios mediante un sistema de posicionamiento interior . [13]
Para algunas aplicaciones al aire libre, la necesidad de SLAM se ha eliminado casi por completo debido a los sensores GPS diferenciales de alta precisión . Desde una perspectiva SLAM, estos pueden verse como sensores de ubicación cuyas probabilidades son tan nítidas que dominan por completo la inferencia. Sin embargo, los sensores GPS pueden ocasionalmente disminuir o desaparecer por completo, por ejemplo, durante tiempos de conflicto militar, que son de particular interés para algunas aplicaciones robóticas.
Modelado cinemático
La término representa la cinemática del modelo, que generalmente incluye información sobre los comandos de acción dados a un robot. Como parte del modelo, se incluye la cinemática del robot para mejorar las estimaciones de detección en condiciones de ruido inherente y ambiental. El modelo dinámico equilibra las contribuciones de varios sensores, varios modelos de error parcial y finalmente comprende en una representación virtual nítida como un mapa con la ubicación y el rumbo del robot como una nube de probabilidad. El mapeo es la descripción final de dicho modelo, el mapa es tal descripción o el término abstracto para el modelo.
Para los robots 2D, la cinemática suele estar dada por una combinación de comandos de rotación y "avanzar", que se implementan con ruido adicional del motor. Desafortunadamente, la distribución formada por ruido independiente en direcciones angulares y lineales no es gaussiana, pero a menudo es aproximada por una gaussiana. Un enfoque alternativo es ignorar el término cinemático y leer los datos de odometría de las ruedas del robot después de cada comando; estos datos pueden entonces tratarse como uno de los sensores en lugar de como cinemática.
SLAM acústico
Se ha aplicado una extensión del problema común de SLAM al dominio acústico, donde los entornos están representados por la posición tridimensional (3D) de las fuentes de sonido, denominada. [14] Las primeras implementaciones de esta técnica han utilizado estimaciones de la dirección de llegada (DoA) de la ubicación de la fuente de sonido y se basan en técnicas principales de localización de sonido para determinar la ubicación de la fuente. Un observador o robot debe estar equipado con una matriz de micrófonos para permitir el uso de Acoustic SLAM, de modo que las características de DoA se estimen correctamente. El SLAM acústico ha sentado las bases para nuevos estudios en el mapeo de escenas acústicas y puede desempeñar un papel importante en la interacción humano-robot a través del habla. Para mapear fuentes de sonido múltiples y ocasionalmente intermitentes, un sistema SLAM acústico utiliza fundamentos en la teoría de conjuntos finitos aleatorios para manejar la presencia variable de puntos de referencia acústicos. [15] Sin embargo, la naturaleza de las características derivadas acústicamente deja a Acoustic SLAM susceptible a problemas de reverberación, inactividad y ruido dentro de un entorno.
SLAM audiovisual
Originalmente diseñado para la interacción humano-robot , Audio-Visual SLAM es un marco que proporciona la fusión de características históricas obtenidas de las modalidades acústica y visual dentro de un entorno. [16] La interacción humana se caracteriza por rasgos percibidos no solo en la modalidad visual, sino también en la modalidad acústica; como tal, los algoritmos SLAM para robots y máquinas centrados en el ser humano deben tener en cuenta ambos conjuntos de características. Un marco audiovisual estima y mapea las posiciones de los puntos de referencia humanos mediante el uso de características visuales como la pose humana y características de audio como el habla humana, y fusiona las creencias para un mapa más sólido del medio ambiente. Para aplicaciones en robótica móvil (ej. Drones, robots de servicio), es valioso utilizar equipos livianos de bajo consumo como cámaras monoculares o arreglos de micrófonos microelectrónicos. SLAM audiovisual también puede permitir la función complementaria de dichos sensores, al compensar el campo de visión estrecho, las oclusiones de características y las degradaciones ópticas comunes a los sensores visuales livianos con el campo de visión completo y las representaciones de características sin obstrucciones inherentes a sensores de audio. La susceptibilidad de los sensores de audio a la reverberación, la inactividad de la fuente de sonido y el ruido también se puede compensar en consecuencia mediante la fusión de creencias históricas de la modalidad visual. La función complementaria entre las modalidades de audio y visual en un entorno puede resultar valiosa para la creación de robótica y máquinas que interactúan completamente con el habla y el movimiento humanos.
SLAM colaborativo
SLAM colaborativo combina imágenes de varios robots o usuarios para generar mapas 3D. [17]
Mover objetos
Los entornos no estáticos, como los que contienen otros vehículos o peatones, continúan presentando desafíos de investigación. [18] [19] SLAM con DATMO es un modelo que rastrea objetos en movimiento de manera similar al propio agente. [20]
Cierre de lazo
El cierre de bucle es el problema de reconocer una ubicación previamente visitada y actualizar las creencias en consecuencia. Esto puede ser un problema porque los errores del modelo o del algoritmo pueden asignar valores previos bajos a la ubicación. Los métodos típicos de cierre de bucle aplican un segundo algoritmo para calcular algún tipo de similitud de medida del sensor y restablecer las ubicaciones previas cuando se detecta una coincidencia. Por ejemplo, esto se puede hacer almacenando y comparando la bolsa de vectores de palabras de las características de SIFT de cada ubicación visitada anteriormente.
Exploración
"Active SLAM" estudia el problema combinado de SLAM con la decisión de dónde moverse a continuación para construir el mapa de la manera más eficiente posible. La necesidad de exploración activa es especialmente pronunciada en regímenes de detección dispersos como el SLAM táctil. El SLAM activo generalmente se realiza aproximando la entropía del mapa bajo acciones hipotéticas. "Multi agent SLAM" extiende este problema al caso de varios robots que se coordinan para explorar de manera óptima.
Inspiración biológica
En neurociencia, el hipocampo parece estar involucrado en cálculos similares a SLAM, [21] [22] [23] dando lugar a células de lugar , y ha formado la base para sistemas SLAM bioinspirados como RatSLAM.
Métodos de implementación
Se implementan varios algoritmos SLAM en las bibliotecas de sistemas operativos de robots de código abierto (ROS), que a menudo se usan junto con la biblioteca de nubes de puntos para mapas 3D o características visuales de OpenCV .
EKF SLAM
En robótica , EKF SLAM es una clase de algoritmos que utiliza el filtro Kalman extendido (EKF) para SLAM. Normalmente, los algoritmos EKF SLAM se basan en características y utilizan el algoritmo de máxima verosimilitud para la asociación de datos. En las décadas de 1990 y 2000, EKF SLAM había sido el método de facto para SLAM, hasta la introducción de FastSLAM . [24]
Asociado con el EKF está el supuesto de ruido gaussiano, que afecta significativamente la capacidad de EKF SLAM para lidiar con la incertidumbre. Con mayor cantidad de incertidumbre en la parte posterior, la linealización en el EKF falla. [25]
GraphSLAM
En robótica , GraphSLAM es un algoritmo SLAM que utiliza matrices de información escasa producidas al generar un gráfico de factores de interdependencias de observación (dos observaciones están relacionadas si contienen datos sobre el mismo punto de referencia). [25]
Historia
Un trabajo fundamental en SLAM es la investigación de RC Smith y P. Cheeseman sobre la representación y estimación de la incertidumbre espacial en 1986. [26] [27] Otro trabajo pionero en este campo fue realizado por el grupo de investigación de Hugh F. Durrant- Whyte a principios de la década de 1990. [28] que mostró que existen soluciones para SLAM en el límite de datos infinitos. Este hallazgo motiva la búsqueda de algoritmos que sean computacionalmente manejables y se aproximen a la solución.
Los autos autónomos STANLEY y JUNIOR, liderados por Sebastian Thrun , ganaron el DARPA Grand Challenge y quedaron segundos en el DARPA Urban Challenge en la década de 2000, e incluyeron sistemas SLAM, lo que llevó a SLAM a la atención mundial. Las implementaciones de SLAM para el mercado masivo ahora se pueden encontrar en los robots aspiradores de consumo. [29]
Ver también
- Fotografía computacional
- Odometria visual
- Filtro de Kalman
- Parametrización de profundidad inversa
- El proyecto Mobile Robot Programming Toolkit (MRPT) : un conjunto de bibliotecas multiplataforma de código abierto que cubren SLAM a través del filtrado de partículas y el filtrado de Kalman .
- Localización de Monte Carlo
- Desafío internacional multi-autónomo terrestre-robótico : Un desafío internacional de $ 1.6 millones que requiere que múltiples vehículos mapeen de manera colaborativa un área grande
- Robótica Neato
- Filtro de partículas
- Proyecto Tango
- Mapeo robótico
- Stanley , unvehículo ganador del DARPA Grand Challenge usando técnicas SLAM
- Estereofotogrametría
- Estructura del movimiento .
Referencias
- ^ Julier, S .; Uhlmann, J. (2001). Construyendo un mapa de un millón de balizas . Actas de la conferencia ISAM sobre sistemas inteligentes para la fabricación. doi : 10.1117 / 12.444158 .
- ^ Csorba, M .; Uhlmann, J. (1997). Un algoritmo subóptimo para la construcción automática de mapas . Actas de la Conferencia de Control Estadounidense de 1997. doi : 10.1109 / ACC.1997.611857 .
- ^ Jaulin, L. (2009). "Un enfoque de pertenencia a un conjunto no lineal para la localización y construcción de mapas de un robot submarino utilizando la propagación de restricciones de intervalo" (PDF) . Transacciones IEEE sobre robótica . 25 : 88–98. doi : 10.1109 / TRO.2008.2010358 .
- ^ Jaulin, L. (2011). "SLAM de solo rango con mapas de ocupación; un enfoque de membresía de conjunto" (PDF) . Transacciones IEEE sobre robótica . 27 (5): 1004–1010. doi : 10.1109 / TRO.2011.2147110 .
- ^ Cadena, Cesar; Carlone, Luca; Carrillo, Henry; Latif, Yasir; Scaramuzza, Davide; Neira, José; Reid, Ian; Leonard, John J. (2016). "Pasado, presente y futuro de la localización y el mapeo simultáneos: hacia la era de la percepción robusta". Transacciones IEEE sobre robótica . 32 (6): 1309-1332. arXiv : 1606.05830 . Código bibliográfico : 2016arXiv160605830C . doi : 10.1109 / tro.2016.2624754 . hdl : 2440/107554 . ISSN 1552-3098 .
- ^ Cummins, Mark; Newman, Paul (junio de 2008). "FAB-MAP: Localización probabilística y mapeo en el espacio de aparición" (PDF) . La Revista Internacional de Investigación en Robótica . 27 (6): 647–665. doi : 10.1177 / 0278364908090961 . Consultado el 23 de julio de 2014 .
- ^ a b Magnabosco, M .; Breckon, TP (febrero de 2013). "Localización y mapeo simultáneo visual cruzado (SLAM) con transferencia de sensor" (PDF) . Robótica y sistemas autónomos . 63 (2): 195-208. doi : 10.1016 / j.robot.2012.09.023 . Consultado el 5 de noviembre de 2013 .
- ^ Karlsson, N .; et al. (Di Bernardo, E .; Ostrowski, J; Goncalves, L .; Pirjanian, P .; Munich, M.) (2005). El algoritmo vSLAM para una localización y un mapeo robustos . En t. Conf. en Robótica y Automatización (ICRA). doi : 10.1109 / ROBOT.2005.1570091 .
- ^ Fox, C .; Evans, M .; Pearson, M .; Prescott, T. (2012). SLAM táctil con un robot bigotudo biomimético (PDF) . Proc. IEEE Int. Conf. en Robótica y Automatización (ICRA).
- ^ Marck, JW; Mohamoud, A .; vd Houwen, E .; van Heijster, R. (2013). Radar interior SLAM Una aplicación de radar para entornos de visión y GPS denegados (PDF) . Conferencia de radar (EuRAD), 2013 Europea.
- ^ Evers, Christine, Alastair H. Moore y Patrick A. Naylor. " Localización y mapeo acústico simultáneo (a-SLAM) de una matriz de micrófonos en movimiento y sus altavoces circundantes ". 2016 IEEE International Conference on Acustics, Speech and Signal Processing (ICASSP). IEEE, 2016.
- ^ Ferris, Brian, Dieter Fox y Neil D. Lawrence. " Wifi-slam utilizando modelos de variables latentes de proceso gaussiano ". IJCAI. Vol. 7. No. 1. 2007.
- ^ Robertson, P .; Angermann, M .; Krach, B. (2009). Localización y mapeo simultáneos para peatones utilizando solo sensores inerciales montados en los pies (PDF) . Ubicomp 2009. Orlando, Florida, Estados Unidos: ACM. doi : 10.1145 / 1620545.1620560 . Archivado desde el original (PDF) el 16 de agosto de 2010.
- ^ Evers, Christine; Naylor, Patrick A. (septiembre de 2018). "SLAM acústico" (PDF) . Transacciones IEEE / ACM sobre procesamiento de audio, habla y lenguaje . 26 (9): 1484-1498. doi : 10.1109 / TASLP.2018.2828321 . ISSN 2329-9290 .
- ^ Mahler, RPS (octubre de 2003). "Filtrado de bayes de objetivos múltiples a través de momentos de objetivos múltiples de primer orden". Transacciones IEEE en sistemas electrónicos y aeroespaciales . 39 (4): 1152-1178. Código bibliográfico : 2003ITAES..39.1152M . doi : 10.1109 / TAES.2003.1261119 . ISSN 0018-9251 .
- ^ Chau, Aaron; Sekiguchi, Kouhei; Nugraha, Aditya Arie; Yoshii, Kazuyoshi; Funakoshi, Kotaro (octubre de 2019). "SLAM Audiovisual hacia el Seguimiento Humano y la Interacción Humano-Robot en Ambientes Interiores". 2019 28th IEEE International Conference on Robot and Human Interactive Communication (RO-MAN) . Nueva Delhi, India: IEEE: 1–8. doi : 10.1109 / RO-MAN46459.2019.8956321 . ISBN 978-1-7281-2622-7.
- ^ Zou, Danping y Ping Tan. " Coslam: slam visual colaborativo en entornos dinámicos ". Transacciones IEEE sobre análisis de patrones e inteligencia de máquinas 35.2 (2012): 354-366.
- ^ Perera, Samunda; Pasqual, Ajith (2011). Bebis, George; Boyle, Richard; Parvin, Bahram; Koracin, Darko; Wang, Song; Kyungnam, Kim; Benes, Bedrich; Moreland, Kenneth; Borst, Christoph (eds.). "Hacia el MonoSLAM portátil en tiempo real en entornos dinámicos". Avances en Computación Visual . Apuntes de conferencias en Ciencias de la Computación. Springer Berlín Heidelberg. 6938 : 313–324. doi : 10.1007 / 978-3-642-24028-7_29 . ISBN 9783642240287.
- ^ Perera, Samunda; Barnes, doctor Nick; Zelinsky, Dr. Alexander (2014), Ikeuchi, Katsushi (ed.), "Exploración: localización y mapeo simultáneos (SLAM)", Visión por computadora: Guía de referencia , Springer US, págs. 268-275, doi : 10.1007 / 978 -0-387-31439-6_280 , ISBN 9780387314396
- ^ Wang, Chieh-Chih; Thorpe, Charles; Thrun, Sebastian; Hebert, marcial; Durrant-Whyte, Hugh (2007). "Localización, mapeo y seguimiento de objetos en movimiento simultáneos" (PDF) . En t. J. Robot. Res . 26 (9): 889–916. doi : 10.1177 / 0278364907081229 .
- ^ Howard, MW; Fotedar, MS; Datey, AV; Hasselmo, ME (2005). "El modelo de contexto temporal en la navegación espacial y el aprendizaje relacional: hacia una explicación común de la función del lóbulo temporal medial en todos los dominios" . Revisión psicológica . 2005, Psychol Rev. 112 (1): 75-116. 112 (1): 75-116. doi : 10.1037 / 0033-295X.112.1.75 . PMC 1421376 . PMID 15631589 .
- ^ Fox, C; Prescott, T (2010). "Hipocampo como filtro de partículas coherente unitario" (PDF) . La Conferencia conjunta internacional de 2010 sobre redes neuronales (IJCNN) . 2010, Conferencia conjunta internacional sobre redes neuronales. págs. 1–8. doi : 10.1109 / IJCNN.2010.5596681 . ISBN 978-1-4244-6916-1.
- ^ Milford, MJ; Wyeth, GF; Prasser, D. RatSLAM: un modelo de hipocampo para localización y mapeo simultáneos (PDF) . Actas. ICRA'04. Conferencia Internacional IEEE sobre. Vol. 1. IEEE, 2004.
- ^ Montemerlo, M .; Thrun, S .; Koller, D .; Wegbreit, B. (2002). "FastSLAM: una solución factorizada al problema de localización y mapeo simultáneos" (PDF) . Actas de la Conferencia Nacional AAAI sobre Inteligencia Artificial . págs. 593–598.
- ^ a b Thrun, S .; Burgard, W .; Fox, D. (2005). Robótica probabilística . Cambridge: The MIT Press. ISBN 0-262-20162-3.
- ^ Smith, RC; Cheeseman, P. (1986). "Sobre la representación y estimación de la incertidumbre espacial" (PDF) . La Revista Internacional de Investigación en Robótica . 5 (4): 56–68. doi : 10.1177 / 027836498600500404 . Consultado el 8 de abril de 2008 .
- ^ Smith, RC; Self, M .; Cheeseman, P. (1986). "Estimación de relaciones espaciales inciertas en robótica" (PDF) . Actas de la Segunda Conferencia Anual sobre Incertidumbre en Inteligencia Artificial . UAI '86. Universidad de Pensilvania, Filadelfia, PA, EE.UU .: Elsevier. págs. 435–461. Archivado desde el original (PDF) el 2 de julio de 2010.
- ^ Leonard, JJ; Durrant-whyte, HF (1991). "Construcción y localización simultánea de mapas para un robot móvil autónomo". Intelligent Robots and Systems '91.' Inteligencia para sistemas mecánicos, Actas IROS'91. Taller internacional IEEE / RSJ en : 1442–1447. doi : 10.1109 / IROS.1991.174711 . ISBN 978-0-7803-0067-5.
- ^ Knight, Will (16 de septiembre de 2015). "Con un Roomba con capacidad de navegación, iRobot apunta a robots domésticos avanzados" . Revisión de tecnología del MIT . Consultado el 25 de abril de 2018 .
Enlaces externos
- Robótica probabilística de Sebastian Thrun , Wolfram Burgard y Dieter Fox con una descripción clara de SLAM.
- SLAM para principiantes (un enfoque tutorial para la localización y el mapeo simultáneos) .
- Andrew Davison página de investigación en el Departamento de Informática , Imperial College de Londres sobre SLAM uso de la visión.
- openslam.org Una buena colección de código fuente abierto y explicaciones de SLAM.
- Matlab Toolbox de Kalman Filtering aplicado a localización simultánea y mapeo de vehículos en movimiento en 1D, 2D y 3D.
- Página de investigación de FootSLAM en DLR que incluye los enfoques relacionados con Wifi SLAM y PlaceSLAM.
- Conferencia SLAM Conferencia SLAM online basada en Python.