업계 뉴스
로봇은 알려지지 않은 환경에서 어떻게 위치를 파악하고 매핑하고 이동할 수 있습니까?
2023-12-08
1. 서문 컴퓨터 기술의 급속한 발전과 로봇 연구의 심화, 로봇에 대한 사람들의 수요가 확대됨에 따라 지능적으로 움직이고 자율적으로 탐색할 수 있는 로봇이 연구의 초점이 되었습니다. 알려진 환경에서의 로봇 자율 위치 파악과 알려진 로봇 위치의 지도 생성을 위한 몇 가지 실용적인 솔루션이 있습니다. 그러나 많은 환경에서 로봇은 위치 확인을 위해 전역 위치 확인 시스템을 사용할 수 없으며 로봇의 작업 환경에 대한 지도를 미리 얻는 것이 어렵습니다. 이때 로봇은 위치가 불확실한 조건에서 전혀 알 수 없는 환경에서 지도를 생성하고, 자율적인 측위 및 탐색을 위해 지도를 사용해야 합니다. 슬램(동기측위 및 지도 작성) 기술은 진정한 자율 이동 로봇을 구현하기 위한 핵심이자 핵심 기술로 꼽힌다.
로봇은 알 수 없는 환경, 알 수 없는 위치에서 움직이기 시작합니다. 이동 과정에서 위치 추정 및 센서 데이터에 따라 자신의 위치를 파악하고 점차 개선되어 완전한 지도를 구축합니다. 이것은 슬램 프로세스입니다. 슬램에서는 로봇이 자체 센서를 사용해 알 수 없는 환경에서 특징점을 식별한 후, 로봇과 특징점 사이의 상대적인 위치와 주행 거리계 판독값에 따라 로봇의 전역 좌표와 특징점을 추정합니다. 이러한 온라인 포지셔닝 및 지도 생성은 로봇과 특징 마크 간의 세부 정보를 유지해야 합니다. 최근 슬램에 대한 연구가 크게 발전하여 로봇, AR, VR, UAV, 자동 조종 장치 등 다양한 환경에 적용되고 있습니다.2. 슬램의 주요 이슈 2.1 지도 표현 현재 일반적인 지도 표현 방법은 크게 그리드 표현, 기하학적 정보 표현, 토폴로지 표현의 세 가지로 나눌 수 있다. 각 방법에는 고유한 장점과 단점이 있습니다. (1) 기하학적 정보 맵 기하학적 정보 맵 표현이란 로봇이 환경에 대한 인식 정보를 수집하고 선분이나 곡선과 같은 보다 추상적인 기하학적 특징을 추출하고 이러한 기하학적 정보를 사용하여 환경을 설명하는 것을 의미합니다. 장점: 위치 추정 및 목표 인식이 더 작고 편리합니다. 기하학적 방법은 Kalman 필터를 사용하여 국소 영역에서 높은 정확도와 적은 양의 계산을 얻습니다. 단점: 기하학적 정보를 추출하려면 지각정보에 대한 추가 처리가 필요하며, 결과를 얻기 위해서는 일정량의 지각 데이터가 필요하다. 광역환경에서는 정확한 좌표정보를 유지하기 어렵다. (2) 그리드 맵 그리드 맵은 전체 환경을 동일한 크기의 여러 그리드로 나누고 각 그리드에 장애물이 있는지를 지적하는 것입니다. 장점: 생성 및 유지 관리가 쉽고 전체 환경에 대한 모든 종류의 정보를 유지하려고 노력합니다. 지도의 도움으로 자체 위치 지정 및 경로 계획을 편리하게 수행할 수 있습니다. 단점: 그리드 수가 늘어나면(대규모 환경이나 환경이 세밀하게 분할된 경우) 지도 유지 관리가 어려워진다. 동시에 포지셔닝 프로세스에는 큰 검색 공간이 있습니다. 좋은 단순화된 알고리즘이 없으면 실시간 적용이 어렵습니다. (3) 토폴로지 맵 토폴로지 맵은 매우 추상적이며, 특히 환경이 크고 단순한 경우 더욱 그렇습니다. 이 방법에서는 환경을 토폴로지적 의미에서 그래프로 표현하고, 그래프의 노드는 환경의 특징적인 상태와 위치에 대응한다. 노드 사이에 직접 연결 경로가 있는 경우 그림의 노드를 연결하는 호와 같습니다. 장점: 추가 경로 및 작업 계획에 도움이 됩니다. 저장 및 검색 공간은 상대적으로 작고 컴퓨팅 효율성은 높습니다. 성숙하고 효율적인 검색 및 추론 알고리즘을 많이 사용할 수 있습니다. 단점: 사용 시 토폴로지 노드의 식별 및 일치를 기반으로 해야 합니다. 예를 들어, 환경에 매우 유사한 두 장소가 있는 경우 토폴로지 맵 방법으로 두 장소가 동일한 지점인지 확인하기가 어렵습니다.2.2 불확실한 정보에 대한 설명 환경이 전혀 알려지지 않은 경우 로봇이 지도를 작성하고 걷기를 원한다면 주행 거리계, 소나, 레이저 거리 측정기, 비전 등과 같은 다른 센서의 도움을 받아 정보를 얻어야 합니다. 센서 자체의 한계로 인해 감지 정보의 불확실성이 다양합니다. 예를 들어, 레이저 거리 측정기의 불확실성은 주로 반사경의 회전과 레이저 산란으로 인한 거리 측정 오류와 측정 각도 오류에서 비롯됩니다. 위 그림에서 볼 수 있듯이, 인지된 정보의 불확실성으로 인해 구축된 환경 모델이 완전히 정확할 수는 없습니다. 마찬가지로, 모델과 인식을 기반으로 결정을 내릴 때 불확실성이 있습니다. 즉, 불확실성은 전이적입니다. 불확실성을 측정하는 방법에는 크게 확률측정, 신뢰측정, 가능성측정, 퍼지측정, 증거이론 등이 있다. 현재 AMR 맵 구축에는 확률 측정과 퍼지 측정이 널리 사용됩니다. 확률 측정에는 두 가지 주요 형태가 있습니다. (1) 불확실한 정보는 평균, 분산 및 공분산과 같은 확률 특성으로 설명됩니다. 이 측정 방법의 장점은 평균 등 확률 특성이 명확한 기하학적 의미를 갖는다는 점이지만, 단점은 확률 특성의 이산 계산식이 결정되지 않았다는 점입니다. (2) 불확실한 정보를 기술하기 위해 확률모형을 사용하며, 주로 베이즈 법칙과 마르코프 가설을 이용한다. 이 측정 방법의 장점은 로봇의 위치, 자세, 환경 정보를 무작위 확률 모델로 표현하고 강인성이 매우 좋다는 점입니다. 단점은 확률 모델의 계산량이 매우 크고, 모델의 사전 확률을 미리 알고 있어야 하기 때문에 실제 적용이 어렵다는 점이다.2.3 위치 및 환경 특징 추출 모바일 로봇의 자체 위치 파악은 환경 모델링과 밀접한 관련이 있습니다. 환경 모델의 정확도는 포지셔닝 정확도에 따라 달라지며 포지셔닝 구현은 환경 모델과 분리될 수 없습니다. 알려지지 않은 환경에서 로봇은 참조할 수 있는 것이 없으며 마치 맹인이 익숙하지 않은 환경에서 더듬는 것처럼 외부 정보를 얻기 위해 자신의 부정확한 센서에만 의존할 수 있습니다. 이런 경우 위치 결정이 어렵습니다. 지도 위치 지정과 위치 지정이 포함된 지도 생성 모두 해결하기 쉽지만, 지도 없는 위치 지정과 위치 지정 없는 지도 생성은 "닭알" 문제와 같습니다. 기존 연구에서 이러한 문제에 대한 해결책은 두 가지 범주로 나눌 수 있습니다. (1) 자체 모션을 추정하기 위해 내부 센서에 의존하는 반면, 환경을 인식하기 위해 외부 센서(레이저 거리계, 비전 등)를 사용합니다. , 획득된 정보를 분석하고 환경 특성을 추출하여 저장합니다. 다음 단계에서는 환경적 특징을 비교하여 자신의 위치를 수정합니다. 그러나 이 방법은 환경적 특성을 얻는 능력에 달려 있다. (2) 자체 탑재한 다양한 내부 센서(주행거리계, 나침반, 가속도계 등 포함)를 이용하여 다양한 센서 정보의 융합을 통해 측위 오차를 줄인다. 사용되는 대부분의 융합 알고리즘은 Kalman 필터를 기반으로 합니다. 이러한 방법은 외부 정보를 참조하지 않기 때문에 장시간 로밍 후에는 오류 누적이 커집니다. 환경 특징 추출 방법은 다음과 같습니다. 1) . 허프 변환(Hough Transform)은 회색 영상을 기반으로 선과 기타 곡선을 검출하는 일종의 방법입니다. 이 방법에는 검색할 수 있는 미리 준비된 특정 곡선 클러스터가 필요하며 표시된 회색 이미지의 곡선 클러스터에 따라 곡선 매개변수를 생성합니다. 2) . 클러스터링 분석은 분류되지 않은 샘플에 효과적인 데이터 탐지 도구입니다. 동시에 목표는 유사성이나 거리를 기준으로 대상 개체를 자연 범주 또는 클러스터 클래스로 나누는 것입니다. 추출된 객체의 카테고리를 알 수 없는 경우에는 Houghtransform에 비해 클러스터링 기술이 더 효과적인 기술입니다. 클러스터 클래스는 단편화되거나 분리되지 않고 "결합"에 중심을 두어야 합니다. 환경적 특징은 추출하기 어려운 경우가 있습니다. 예를 들어, 환경 특성이 명확하지 않거나 센서 정보가 거의 없는 경우 일회성 인지 정보로는 환경 특성을 얻기가 어렵습니다.2.4 데이터 연관 데이터 연관은 두 개의 특징 표시를 일치시켜 환경의 동일한 개체에 해당하는지 확인하는 것입니다. 슬램의 데이터 연결은 주로 세 가지 작업을 완료해야 합니다. (1) 지도 간 일치; (2) 특징 표시의 일치; (3) 새로운 특징 표시의 검출; 표적 추적 및 센서 융합 분야에서 데이터 연관이 잘 해결되었지만 이러한 방법은 계산량이 많고 슬램의 실시간 요구 사항을 충족할 수 없습니다. M 기호와 n 기호가 있는 지도 사이의 데이터 연관의 복잡성은 관찰된 각 기호 I에 가능한 일치가 있다고 가정할 때 M에 대해 기하급수적입니다. M 기호의 경우 지수 공간 =에서 올바른 일치를 검색해야 합니다. 데이터 연관 검색 공간은 환경의 복잡성과 로봇의 위치 오류와 관련이 있습니다. 환경의 복잡성이 증가하면 m도 증가하고, 오류가 증가하면 Ni도 증가합니다.2.5 누적 오류 슬램의 오류는 주로 세 가지 측면에서 발생합니다. (1) 관찰 오류; (2) 주행거리계 오류; (3) 잘못된 데이터 연결로 인한 오류; 로봇이 알려진 지도의 환경에 위치할 때 로봇은 알려진 위치의 특징 표시를 관찰하여 주행 거리계 오류를 보상할 수 있습니다. 각각의 관찰은 로봇의 위치 오차가 관찰 오차와 특징점의 위치 오차의 합이 되는 경향을 갖게 합니다. 그러나 슬램에서는 로봇의 위치와 환경 내 특징점의 위치를 알 수 없기 때문에 관측정보로는 주행거리계의 오차를 효과적으로 보정할 수 없으며, 이동거리가 증가할수록 로봇의 위치오차가 증가한다. 로봇. 로봇의 위치 오류가 증가하면 잘못된 데이터 연결이 발생하여 특징 표시의 위치 오류가 증가합니다. 결과적으로 특징 표시의 오류로 인해 로봇의 위치 오류가 증가합니다. 따라서 로봇의 위치 오차는 특징점의 위치 오차와 밀접한 관련이 있다. 이들 사이의 상호 작용으로 인해 로봇의 위치 추정과 특징 마크는 누적 오류를 발생시키며, 이는 지도의 일관성을 보장하기 어렵습니다. 3. 슬램 구현 방법 현재 슬램 방법은 크게 두 가지로 나눌 수 있다. (1) 확률 모델 기반 방법: 칼만 필터, 압축 필터, FastSLAM 등을 기반으로 한 완전 슬램 (2) 비확률 모델 방법: sm - 퍼지 논리 기반 슬램, 스캔 매칭, 데이터 연관 등3.1 칼만 필터 기반 구현 방법 통계적인 관점에서 볼 때, 슬램은 필터링 문제, 즉 시스템의 초기 상태와 관측 정보 및 제어 정보(주행 거리계 판독 값)를 0부터 t까지 기반으로 시스템의 현재 상태를 추정하는 문제입니다. 슬램에서 시스템의 상태는 로봇 자세 R과 지도 정보 m(각 특징점의 위치 정보 포함)으로 구성된다. 시스템의 모션 모델과 관찰 모델이 가우시안 노이즈를 갖는 선형 모델이고 시스템의 상태가 가우스 분포를 따른다고 가정하면 칼만 필터를 통해 슬램을 구현할 수 있습니다. SLAM 기반 칼만 필터에는 시스템 상태 예측과 업데이트의 두 단계가 포함됩니다. 동시에 새로운 지형지물 추가, 지형지물 삭제 등 지도정보에 대한 관리도 필요하다. 칼만 필터는 시스템이 선형 시스템이라고 가정하지만 실제로는 로봇의 동작 모델과 관찰 모델이 비선형입니다. 따라서 확장 칼만 필터(extended Kalman filter)를 주로 사용한다. 확장 칼만 필터는 1차 테일러 확장을 통해 비선형 모델을 대략적으로 나타냅니다. 비선형 모델에 적합한 또 다른 칼만 필터는 UKF(무향 칼만 필터)입니다. UKF는 조건부 가우스 분포를 사용하여 사후 확률 분포를 근사화합니다. EKF에 비해 UKF는 선형화 정확도가 더 높으며 야코비 행렬을 계산할 필요가 없습니다. 칼만 필터는 슬램을 구현하는 기본 방법이 되었습니다. 공분산 행렬에는 로봇 위치와 지도에 대한 불확실한 정보가 포함되어 있습니다. 로봇이 환경의 특징적인 징후를 지속적으로 관찰하면 공분산 행렬의 모든 하위 행렬의 행렬식은 단조롭게 감소합니다. 이론적으로 관찰 횟수가 무한대에 가까워지는 경우 각 특징점의 공분산은 로봇의 시작 위치의 공분산에만 관련됩니다. 칼만 필터의 시간복잡도는 O()이다. 로봇은 한 번에 몇 개의 특징점만 관찰할 수 있기 때문에 칼만 기반 SLAM 필터의 시간 복잡도는 O()로 최적화될 수 있으며, N은 맵의 특징점 수를 나타냅니다.3.2 로컬 서브맵 방식 로컬 서브 맵 방법은 공간 관점에서 슬램을 더 작은 하위 문제로 분해합니다. 서브맵 방식에서는 다음과 같은 문제점을 고려해야 한다. (1) 서브맵을 어떻게 분할할 것인가? (2) 서브맵 간의 관계를 어떻게 표현할 것인가. (3) 서브맵의 정보를 글로벌맵으로 어떻게 전달할 것인지, 글로벌맵의 정합성을 보장할 수 있는지 여부 가장 간단한 로컬 서브맵 방법은 서브맵 간의 관계를 고려하지 않고 고정된 수의 특징 마커를 포함하는 독립된 서브맵으로 글로벌 맵을 분할한 후, 각 서브맵에 각각 슬램을 구현하는 것입니다. 이 방법의 시간복잡도는 O(1)이다. 그러나 이 방법은 서로 다른 서브맵 간의 상관관계를 나타내는 유용한 정보의 손실로 인해 맵의 전역적 일관성을 보장할 수 없습니다. 이와 관련하여 Leonard et al. DSM(Decoupled Stochastic Mapping) 방법을 제안합니다. DSM의 각 하위 맵은 자체 로봇 위치 추정을 저장합니다. 로봇이 하나의 서브맵 a에서 다른 서브맵 B에 진입하면 EKF 기반 방법을 사용하여 서브맵 a의 정보를 서브맵 B로 전송합니다. B. Williamset al. CLSF(Constrained Local Submap Filter) 기반의 슬램 방식을 제안했습니다. CLSF는 지도에 알려진 전역 좌표를 사용하여 하위 지도를 생성합니다. 로봇이 진행되는 동안 관찰 정보만이 로봇과 로컬 서브맵의 특징점 위치를 업데이트하는데 사용되며, 로컬 서브맵 정보는 일정 시간 간격으로 글로벌 맵으로 전송됩니다. 실험 결과 두 알고리즘이 좋은 성능을 보였지만 이론적으로 맵의 일관성을 유지할 수 있는지 입증되지 않았습니다. J. Guivantet al. 정보 손실이 없는 슬램 최적화 알고리즘 cekf(압축 확장 칼만 필터)를 제안했습니다. Cekf는 관찰된 특징점을 A부분과 B부분으로 나눕니다. A는 로봇의 현재 위치에 인접한 영역을 나타내며 이를 활성 서브맵이라고 합니다. 활성 서브맵 a에서 로봇이 이동하면 관측 정보를 이용하여 로봇의 위치와 서브 맵 a를 실시간으로 업데이트하고, 관측 정보가 서브 맵 B에 미치는 영향을 재귀적 방식으로 기록하며; 로봇이 활성 서브맵 a를 벗어나면 관찰 정보가 손실 없이 서브 맵 B로 전송되어 서브 맵 B를 한번에 업데이트함과 동시에 새로운 활성 서브 맵을 생성하게 됩니다. 이 방법의 계산 시간은 활동 하위 맵의 슬램(slam)으로 구성되며, 시간 복잡도는 활동 하위 맵 a의 특징 마크 수인 O()입니다. 서브맵 B를 업데이트하는 시간 복잡도는 맵 B의 특징점 수인 O()입니다. 서브맵 병합 시간 간격이 클 경우 cekf는 슬램 계산량을 효과적으로 줄일 수 있습니다.3.3 역상관 방법 슬램의 복잡성을 줄이는 또 다른 방법은 상관 관계를 나타내는 공분산 행렬에서 더 작은 값을 갖는 일부 요소를 무시하고 이를 희소 행렬로 바꾸는 것입니다. 그러나 정보 손실로 인해 지도의 일관성도 잃게 됩니다. 그러나 공분산 행렬의 표현을 변경하여 많은 요소가 0에 가깝거나 같게 할 수 있는 경우 무시해도 됩니다. SLAM 기반 확장 정보 필터(EIF)는 이러한 아이디어를 기반으로 합니다. EIF는 EKF의 정보 기반 표현입니다. 차이점은 정보를 다양한 형태로 표현한다는 것입니다. EIF는 불확실한 정보를 슬램으로 표현하기 위해 공분산 행렬의 역행렬을 사용하는데 이를 정보 행렬이라고 합니다. 서로 관련되지 않은 두 정보 행렬의 융합은 단순히 두 행렬의 합으로 표현될 수 있습니다. 정보 매트릭스의 대각선이 아닌 각 요소는 로봇과 특징 마크 사이 또는 특징 마크와 특징 마크 사이의 제약 관계를 나타냅니다. 이러한 제약 관계는 시스템 상태의 신호 관계를 통해 로컬로 업데이트될 수 있습니다. 이러한 로컬 업데이트는 정보 행렬을 희소 행렬에 가깝게 만들고, 이를 얇게 함으로써 발생하는 오류는 매우 작습니다. 이에 따르면 S. Thrun et al. 희소 정보 필터 seif(희소 확장 정보 필터)를 기반으로 한 슬램 방법을 제안하고, 희소 정보 행렬을 이용한 슬램의 시간 복잡도가 O(1)임을 증명했습니다. EIF는 슬램의 시간 복잡도를 효과적으로 줄일 수 있지만, 지도 정보의 표현 및 관리에는 여전히 몇 가지 문제가 남아 있습니다. 첫째, 시스템 상태의 평균값은 대략적으로 일정한 시간에만 계산할 수 있습니다. 둘째, EIF 기반의 슬램 방식에서는 특징점의 추가 및 삭제가 불편하다.
로봇은 알 수 없는 환경, 알 수 없는 위치에서 움직이기 시작합니다. 이동 과정에서 위치 추정 및 센서 데이터에 따라 자신의 위치를 파악하고 점차 개선되어 완전한 지도를 구축합니다. 이것은 슬램 프로세스입니다. 슬램에서는 로봇이 자체 센서를 사용해 알 수 없는 환경에서 특징점을 식별한 후, 로봇과 특징점 사이의 상대적인 위치와 주행 거리계 판독값에 따라 로봇의 전역 좌표와 특징점을 추정합니다. 이러한 온라인 포지셔닝 및 지도 생성은 로봇과 특징 마크 간의 세부 정보를 유지해야 합니다. 최근 슬램에 대한 연구가 크게 발전하여 로봇, AR, VR, UAV, 자동 조종 장치 등 다양한 환경에 적용되고 있습니다.2. 슬램의 주요 이슈 2.1 지도 표현 현재 일반적인 지도 표현 방법은 크게 그리드 표현, 기하학적 정보 표현, 토폴로지 표현의 세 가지로 나눌 수 있다. 각 방법에는 고유한 장점과 단점이 있습니다. (1) 기하학적 정보 맵 기하학적 정보 맵 표현이란 로봇이 환경에 대한 인식 정보를 수집하고 선분이나 곡선과 같은 보다 추상적인 기하학적 특징을 추출하고 이러한 기하학적 정보를 사용하여 환경을 설명하는 것을 의미합니다. 장점: 위치 추정 및 목표 인식이 더 작고 편리합니다. 기하학적 방법은 Kalman 필터를 사용하여 국소 영역에서 높은 정확도와 적은 양의 계산을 얻습니다. 단점: 기하학적 정보를 추출하려면 지각정보에 대한 추가 처리가 필요하며, 결과를 얻기 위해서는 일정량의 지각 데이터가 필요하다. 광역환경에서는 정확한 좌표정보를 유지하기 어렵다. (2) 그리드 맵 그리드 맵은 전체 환경을 동일한 크기의 여러 그리드로 나누고 각 그리드에 장애물이 있는지를 지적하는 것입니다. 장점: 생성 및 유지 관리가 쉽고 전체 환경에 대한 모든 종류의 정보를 유지하려고 노력합니다. 지도의 도움으로 자체 위치 지정 및 경로 계획을 편리하게 수행할 수 있습니다. 단점: 그리드 수가 늘어나면(대규모 환경이나 환경이 세밀하게 분할된 경우) 지도 유지 관리가 어려워진다. 동시에 포지셔닝 프로세스에는 큰 검색 공간이 있습니다. 좋은 단순화된 알고리즘이 없으면 실시간 적용이 어렵습니다. (3) 토폴로지 맵 토폴로지 맵은 매우 추상적이며, 특히 환경이 크고 단순한 경우 더욱 그렇습니다. 이 방법에서는 환경을 토폴로지적 의미에서 그래프로 표현하고, 그래프의 노드는 환경의 특징적인 상태와 위치에 대응한다. 노드 사이에 직접 연결 경로가 있는 경우 그림의 노드를 연결하는 호와 같습니다. 장점: 추가 경로 및 작업 계획에 도움이 됩니다. 저장 및 검색 공간은 상대적으로 작고 컴퓨팅 효율성은 높습니다. 성숙하고 효율적인 검색 및 추론 알고리즘을 많이 사용할 수 있습니다. 단점: 사용 시 토폴로지 노드의 식별 및 일치를 기반으로 해야 합니다. 예를 들어, 환경에 매우 유사한 두 장소가 있는 경우 토폴로지 맵 방법으로 두 장소가 동일한 지점인지 확인하기가 어렵습니다.2.2 불확실한 정보에 대한 설명 환경이 전혀 알려지지 않은 경우 로봇이 지도를 작성하고 걷기를 원한다면 주행 거리계, 소나, 레이저 거리 측정기, 비전 등과 같은 다른 센서의 도움을 받아 정보를 얻어야 합니다. 센서 자체의 한계로 인해 감지 정보의 불확실성이 다양합니다. 예를 들어, 레이저 거리 측정기의 불확실성은 주로 반사경의 회전과 레이저 산란으로 인한 거리 측정 오류와 측정 각도 오류에서 비롯됩니다. 위 그림에서 볼 수 있듯이, 인지된 정보의 불확실성으로 인해 구축된 환경 모델이 완전히 정확할 수는 없습니다. 마찬가지로, 모델과 인식을 기반으로 결정을 내릴 때 불확실성이 있습니다. 즉, 불확실성은 전이적입니다. 불확실성을 측정하는 방법에는 크게 확률측정, 신뢰측정, 가능성측정, 퍼지측정, 증거이론 등이 있다. 현재 AMR 맵 구축에는 확률 측정과 퍼지 측정이 널리 사용됩니다. 확률 측정에는 두 가지 주요 형태가 있습니다. (1) 불확실한 정보는 평균, 분산 및 공분산과 같은 확률 특성으로 설명됩니다. 이 측정 방법의 장점은 평균 등 확률 특성이 명확한 기하학적 의미를 갖는다는 점이지만, 단점은 확률 특성의 이산 계산식이 결정되지 않았다는 점입니다. (2) 불확실한 정보를 기술하기 위해 확률모형을 사용하며, 주로 베이즈 법칙과 마르코프 가설을 이용한다. 이 측정 방법의 장점은 로봇의 위치, 자세, 환경 정보를 무작위 확률 모델로 표현하고 강인성이 매우 좋다는 점입니다. 단점은 확률 모델의 계산량이 매우 크고, 모델의 사전 확률을 미리 알고 있어야 하기 때문에 실제 적용이 어렵다는 점이다.2.3 위치 및 환경 특징 추출 모바일 로봇의 자체 위치 파악은 환경 모델링과 밀접한 관련이 있습니다. 환경 모델의 정확도는 포지셔닝 정확도에 따라 달라지며 포지셔닝 구현은 환경 모델과 분리될 수 없습니다. 알려지지 않은 환경에서 로봇은 참조할 수 있는 것이 없으며 마치 맹인이 익숙하지 않은 환경에서 더듬는 것처럼 외부 정보를 얻기 위해 자신의 부정확한 센서에만 의존할 수 있습니다. 이런 경우 위치 결정이 어렵습니다. 지도 위치 지정과 위치 지정이 포함된 지도 생성 모두 해결하기 쉽지만, 지도 없는 위치 지정과 위치 지정 없는 지도 생성은 "닭알" 문제와 같습니다. 기존 연구에서 이러한 문제에 대한 해결책은 두 가지 범주로 나눌 수 있습니다. (1) 자체 모션을 추정하기 위해 내부 센서에 의존하는 반면, 환경을 인식하기 위해 외부 센서(레이저 거리계, 비전 등)를 사용합니다. , 획득된 정보를 분석하고 환경 특성을 추출하여 저장합니다. 다음 단계에서는 환경적 특징을 비교하여 자신의 위치를 수정합니다. 그러나 이 방법은 환경적 특성을 얻는 능력에 달려 있다. (2) 자체 탑재한 다양한 내부 센서(주행거리계, 나침반, 가속도계 등 포함)를 이용하여 다양한 센서 정보의 융합을 통해 측위 오차를 줄인다. 사용되는 대부분의 융합 알고리즘은 Kalman 필터를 기반으로 합니다. 이러한 방법은 외부 정보를 참조하지 않기 때문에 장시간 로밍 후에는 오류 누적이 커집니다. 환경 특징 추출 방법은 다음과 같습니다. 1) . 허프 변환(Hough Transform)은 회색 영상을 기반으로 선과 기타 곡선을 검출하는 일종의 방법입니다. 이 방법에는 검색할 수 있는 미리 준비된 특정 곡선 클러스터가 필요하며 표시된 회색 이미지의 곡선 클러스터에 따라 곡선 매개변수를 생성합니다. 2) . 클러스터링 분석은 분류되지 않은 샘플에 효과적인 데이터 탐지 도구입니다. 동시에 목표는 유사성이나 거리를 기준으로 대상 개체를 자연 범주 또는 클러스터 클래스로 나누는 것입니다. 추출된 객체의 카테고리를 알 수 없는 경우에는 Houghtransform에 비해 클러스터링 기술이 더 효과적인 기술입니다. 클러스터 클래스는 단편화되거나 분리되지 않고 "결합"에 중심을 두어야 합니다. 환경적 특징은 추출하기 어려운 경우가 있습니다. 예를 들어, 환경 특성이 명확하지 않거나 센서 정보가 거의 없는 경우 일회성 인지 정보로는 환경 특성을 얻기가 어렵습니다.2.4 데이터 연관 데이터 연관은 두 개의 특징 표시를 일치시켜 환경의 동일한 개체에 해당하는지 확인하는 것입니다. 슬램의 데이터 연결은 주로 세 가지 작업을 완료해야 합니다. (1) 지도 간 일치; (2) 특징 표시의 일치; (3) 새로운 특징 표시의 검출; 표적 추적 및 센서 융합 분야에서 데이터 연관이 잘 해결되었지만 이러한 방법은 계산량이 많고 슬램의 실시간 요구 사항을 충족할 수 없습니다. M 기호와 n 기호가 있는 지도 사이의 데이터 연관의 복잡성은 관찰된 각 기호 I에 가능한 일치가 있다고 가정할 때 M에 대해 기하급수적입니다. M 기호의 경우 지수 공간 =에서 올바른 일치를 검색해야 합니다. 데이터 연관 검색 공간은 환경의 복잡성과 로봇의 위치 오류와 관련이 있습니다. 환경의 복잡성이 증가하면 m도 증가하고, 오류가 증가하면 Ni도 증가합니다.2.5 누적 오류 슬램의 오류는 주로 세 가지 측면에서 발생합니다. (1) 관찰 오류; (2) 주행거리계 오류; (3) 잘못된 데이터 연결로 인한 오류; 로봇이 알려진 지도의 환경에 위치할 때 로봇은 알려진 위치의 특징 표시를 관찰하여 주행 거리계 오류를 보상할 수 있습니다. 각각의 관찰은 로봇의 위치 오차가 관찰 오차와 특징점의 위치 오차의 합이 되는 경향을 갖게 합니다. 그러나 슬램에서는 로봇의 위치와 환경 내 특징점의 위치를 알 수 없기 때문에 관측정보로는 주행거리계의 오차를 효과적으로 보정할 수 없으며, 이동거리가 증가할수록 로봇의 위치오차가 증가한다. 로봇. 로봇의 위치 오류가 증가하면 잘못된 데이터 연결이 발생하여 특징 표시의 위치 오류가 증가합니다. 결과적으로 특징 표시의 오류로 인해 로봇의 위치 오류가 증가합니다. 따라서 로봇의 위치 오차는 특징점의 위치 오차와 밀접한 관련이 있다. 이들 사이의 상호 작용으로 인해 로봇의 위치 추정과 특징 마크는 누적 오류를 발생시키며, 이는 지도의 일관성을 보장하기 어렵습니다. 3. 슬램 구현 방법 현재 슬램 방법은 크게 두 가지로 나눌 수 있다. (1) 확률 모델 기반 방법: 칼만 필터, 압축 필터, FastSLAM 등을 기반으로 한 완전 슬램 (2) 비확률 모델 방법: sm - 퍼지 논리 기반 슬램, 스캔 매칭, 데이터 연관 등3.1 칼만 필터 기반 구현 방법 통계적인 관점에서 볼 때, 슬램은 필터링 문제, 즉 시스템의 초기 상태와 관측 정보 및 제어 정보(주행 거리계 판독 값)를 0부터 t까지 기반으로 시스템의 현재 상태를 추정하는 문제입니다. 슬램에서 시스템의 상태는 로봇 자세 R과 지도 정보 m(각 특징점의 위치 정보 포함)으로 구성된다. 시스템의 모션 모델과 관찰 모델이 가우시안 노이즈를 갖는 선형 모델이고 시스템의 상태가 가우스 분포를 따른다고 가정하면 칼만 필터를 통해 슬램을 구현할 수 있습니다. SLAM 기반 칼만 필터에는 시스템 상태 예측과 업데이트의 두 단계가 포함됩니다. 동시에 새로운 지형지물 추가, 지형지물 삭제 등 지도정보에 대한 관리도 필요하다. 칼만 필터는 시스템이 선형 시스템이라고 가정하지만 실제로는 로봇의 동작 모델과 관찰 모델이 비선형입니다. 따라서 확장 칼만 필터(extended Kalman filter)를 주로 사용한다. 확장 칼만 필터는 1차 테일러 확장을 통해 비선형 모델을 대략적으로 나타냅니다. 비선형 모델에 적합한 또 다른 칼만 필터는 UKF(무향 칼만 필터)입니다. UKF는 조건부 가우스 분포를 사용하여 사후 확률 분포를 근사화합니다. EKF에 비해 UKF는 선형화 정확도가 더 높으며 야코비 행렬을 계산할 필요가 없습니다. 칼만 필터는 슬램을 구현하는 기본 방법이 되었습니다. 공분산 행렬에는 로봇 위치와 지도에 대한 불확실한 정보가 포함되어 있습니다. 로봇이 환경의 특징적인 징후를 지속적으로 관찰하면 공분산 행렬의 모든 하위 행렬의 행렬식은 단조롭게 감소합니다. 이론적으로 관찰 횟수가 무한대에 가까워지는 경우 각 특징점의 공분산은 로봇의 시작 위치의 공분산에만 관련됩니다. 칼만 필터의 시간복잡도는 O()이다. 로봇은 한 번에 몇 개의 특징점만 관찰할 수 있기 때문에 칼만 기반 SLAM 필터의 시간 복잡도는 O()로 최적화될 수 있으며, N은 맵의 특징점 수를 나타냅니다.3.2 로컬 서브맵 방식 로컬 서브 맵 방법은 공간 관점에서 슬램을 더 작은 하위 문제로 분해합니다. 서브맵 방식에서는 다음과 같은 문제점을 고려해야 한다. (1) 서브맵을 어떻게 분할할 것인가? (2) 서브맵 간의 관계를 어떻게 표현할 것인가. (3) 서브맵의 정보를 글로벌맵으로 어떻게 전달할 것인지, 글로벌맵의 정합성을 보장할 수 있는지 여부 가장 간단한 로컬 서브맵 방법은 서브맵 간의 관계를 고려하지 않고 고정된 수의 특징 마커를 포함하는 독립된 서브맵으로 글로벌 맵을 분할한 후, 각 서브맵에 각각 슬램을 구현하는 것입니다. 이 방법의 시간복잡도는 O(1)이다. 그러나 이 방법은 서로 다른 서브맵 간의 상관관계를 나타내는 유용한 정보의 손실로 인해 맵의 전역적 일관성을 보장할 수 없습니다. 이와 관련하여 Leonard et al. DSM(Decoupled Stochastic Mapping) 방법을 제안합니다. DSM의 각 하위 맵은 자체 로봇 위치 추정을 저장합니다. 로봇이 하나의 서브맵 a에서 다른 서브맵 B에 진입하면 EKF 기반 방법을 사용하여 서브맵 a의 정보를 서브맵 B로 전송합니다. B. Williamset al. CLSF(Constrained Local Submap Filter) 기반의 슬램 방식을 제안했습니다. CLSF는 지도에 알려진 전역 좌표를 사용하여 하위 지도를 생성합니다. 로봇이 진행되는 동안 관찰 정보만이 로봇과 로컬 서브맵의 특징점 위치를 업데이트하는데 사용되며, 로컬 서브맵 정보는 일정 시간 간격으로 글로벌 맵으로 전송됩니다. 실험 결과 두 알고리즘이 좋은 성능을 보였지만 이론적으로 맵의 일관성을 유지할 수 있는지 입증되지 않았습니다. J. Guivantet al. 정보 손실이 없는 슬램 최적화 알고리즘 cekf(압축 확장 칼만 필터)를 제안했습니다. Cekf는 관찰된 특징점을 A부분과 B부분으로 나눕니다. A는 로봇의 현재 위치에 인접한 영역을 나타내며 이를 활성 서브맵이라고 합니다. 활성 서브맵 a에서 로봇이 이동하면 관측 정보를 이용하여 로봇의 위치와 서브 맵 a를 실시간으로 업데이트하고, 관측 정보가 서브 맵 B에 미치는 영향을 재귀적 방식으로 기록하며; 로봇이 활성 서브맵 a를 벗어나면 관찰 정보가 손실 없이 서브 맵 B로 전송되어 서브 맵 B를 한번에 업데이트함과 동시에 새로운 활성 서브 맵을 생성하게 됩니다. 이 방법의 계산 시간은 활동 하위 맵의 슬램(slam)으로 구성되며, 시간 복잡도는 활동 하위 맵 a의 특징 마크 수인 O()입니다. 서브맵 B를 업데이트하는 시간 복잡도는 맵 B의 특징점 수인 O()입니다. 서브맵 병합 시간 간격이 클 경우 cekf는 슬램 계산량을 효과적으로 줄일 수 있습니다.3.3 역상관 방법 슬램의 복잡성을 줄이는 또 다른 방법은 상관 관계를 나타내는 공분산 행렬에서 더 작은 값을 갖는 일부 요소를 무시하고 이를 희소 행렬로 바꾸는 것입니다. 그러나 정보 손실로 인해 지도의 일관성도 잃게 됩니다. 그러나 공분산 행렬의 표현을 변경하여 많은 요소가 0에 가깝거나 같게 할 수 있는 경우 무시해도 됩니다. SLAM 기반 확장 정보 필터(EIF)는 이러한 아이디어를 기반으로 합니다. EIF는 EKF의 정보 기반 표현입니다. 차이점은 정보를 다양한 형태로 표현한다는 것입니다. EIF는 불확실한 정보를 슬램으로 표현하기 위해 공분산 행렬의 역행렬을 사용하는데 이를 정보 행렬이라고 합니다. 서로 관련되지 않은 두 정보 행렬의 융합은 단순히 두 행렬의 합으로 표현될 수 있습니다. 정보 매트릭스의 대각선이 아닌 각 요소는 로봇과 특징 마크 사이 또는 특징 마크와 특징 마크 사이의 제약 관계를 나타냅니다. 이러한 제약 관계는 시스템 상태의 신호 관계를 통해 로컬로 업데이트될 수 있습니다. 이러한 로컬 업데이트는 정보 행렬을 희소 행렬에 가깝게 만들고, 이를 얇게 함으로써 발생하는 오류는 매우 작습니다. 이에 따르면 S. Thrun et al. 희소 정보 필터 seif(희소 확장 정보 필터)를 기반으로 한 슬램 방법을 제안하고, 희소 정보 행렬을 이용한 슬램의 시간 복잡도가 O(1)임을 증명했습니다. EIF는 슬램의 시간 복잡도를 효과적으로 줄일 수 있지만, 지도 정보의 표현 및 관리에는 여전히 몇 가지 문제가 남아 있습니다. 첫째, 시스템 상태의 평균값은 대략적으로 일정한 시간에만 계산할 수 있습니다. 둘째, EIF 기반의 슬램 방식에서는 특징점의 추가 및 삭제가 불편하다.