In che modo gli algoritmi SLAM gestiscono un ambiente in evoluzione?

Sto facendo alcune basi per un progetto e ho una domanda sullo stato attuale delle tecniche SLAM.

Quando un dispositivo dotato di SLAM rileva un oggetto, la sua posizione viene memorizzata. Se osservi la nuvola di punti generata dal dispositivo, vedrai i punti per questo oggetto e qui i modelli generati includeranno la geometria.

Se un oggetto viene posizionato in uno spazio precedentemente vuoto, viene rilevato e vengono aggiunti punti. I modelli successivi presenteranno la geometria che descrive questo nuovo oggetto.

Come reagisce il dispositivo se l'oggetto viene rimosso? Per quanto ho visto, i sistemi SLAM tenderanno a lasciare i punti sul posto, risultando in una geometria "fantasma". Esistono algoritmi che ignoreranno i punti solitari causati da contatti transitori, ma gli oggetti che sono rimasti abbastanza a lungo per costruire un modello solido rimarranno nella memoria del dispositivo. Esistono sistemi in grado di rilevare che lo spazio precedentemente occupato è ora vuoto?

Dipende molto. Poiché SLAM è un problema (o almeno una tecnica), non una soluzione, non esiste un algoritmo SLAM definitivo. Semanticamente, devi decidere cosa succede su una "mappa" dell'ambiente e questo determina come il tuo algoritmo dovrebbe gestire segnali transitori (ovvero in movimento). Ma questa è una digressione.

Mappe permanenti:

Le mappe permanenti dovrebbero contenere informazioni sufficienti per localizzarti rispetto alla geometria nota. Tipicamente utilizzato negli edifici. In genere leggibile dall'uomo. Vedi il lavoro di Willow-Garage. o qualsiasi altra cosa di Thrun nel suo libro di testo piuttosto famoso. Se perdi questa mappa, devi ricostruirla nel tempo.

1. Rimozione di oggetti. Sì, l'oggetto apparirà in una mappa statica per un certo periodo. Se non vengono prese misure per rimuovere oggetti rilevati in precedenza, allora persisterà. Una tipica rappresentazione 2D basata su griglia utilizzerà ciascuna cella della griglia per rappresentare la probabilità di un oggetto, quindi dopo un certo tempo l'oggetto "sbiadirà".

2. Aggiunta di oggetti Come sopra.

Mappe locali:

In realtà, SLAM viene solitamente utilizzato per localizzare un robot mentre si muove e la mappa non viene mantenuta in modo permanente (o, viene mantenuta in modo permanente, ma vengono utilizzate solo le funzionalità Y più vicine). Le mappe locali sono tutto ciò che il robot deve sapere per determinare come si è spostato negli ultimi X minuti, dove X dipende dall'applicazione. Se perdi la mappa, puoi comunque volare bene usando qualunque funzionalità sia in vista in questo momento.

1. I metodi batch come la regolazione del pacchetto utilizzando le funzionalità visive sono una tecnica molto comune in questa direzione. Le funzionalità possono essere mantenute nel tempo e persino rivisitate, ma una funzionalità in movimento è solo una funzione inaffidabile e verrà ignorata quando si cerca di capire dove si trova il robot.

2. Visual SLAM è esattamente questo. È uno stimatore delta-P (change in pose), non un algoritmo di localizzazione basato su mappa.

3. In breve, fintanto che la maggior parte delle cose non si sta muovendo, non importa se si rimuove un oggetto quando il robot non lo "guarda".

Esempio

Quindi fai questo. Quando leggi un documento SLAM, decidi quanto segue:

1. Stanno davvero costruendo una mappa?

2. Stanno solo tenendo un elenco di funzionalità e posizioni?

3. In tal caso, quali "caratteristiche" vanno nella mappa? Linee, punti, caratteristiche visive?

4. È probabile che queste funzioni si spostino?

5. In tal caso, come possono gestirlo?

6. Infine, il rumore del sensore spesso "sembra" simile a funzioni in movimento. Come gestiscono il rumore del sensore? Perché questo determinerà spesso cosa succede alle funzioni in movimento.

Riceverai una risposta diversa per ogni articolo / autore / libro / domanda. In breve, sono in genere omessi poiché non aiutano molto la localizzazione del robot e possono essere evitati semplicemente avendo un pianificatore di percorso di basso livello che utilizza solo informazioni locali.

Buona fortuna, lo slam è un argomento enorme.