Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску
Победитель DARPA Grand Challenge 2005 года STANLEY выполнил SLAM как часть своей автономной системы вождения.
Карта, созданная роботом SLAM.

В вычислительной геометрии и робототехники , одновременной локализации и отображения ( SLAM ) является вычислительная задача построения или обновления карты неизвестной среды при одновременном отслеживании качестве агента «s местоположение в нем. Хотя изначально это кажется проблемой курицы и яйца, существует несколько алгоритмов, которые позволяют ее решить, по крайней мере приблизительно, в приемлемое для определенных условий время. Популярные методы приближенного решения включают фильтр частиц , расширенный фильтр Калмана , пересечение ковариаций и GraphSLAM.. Алгоритмы SLAM используются в навигации, роботизированном картографировании и одометрии для виртуальной или дополненной реальности .

Алгоритмы SLAM адаптированы к доступным ресурсам, поэтому нацелены не на совершенство, а на соответствие требованиям эксплуатации. Опубликованные подходы используются в беспилотных автомобилях , беспилотных летательных аппаратах , автономных подводных транспортных средствах , планетарных вездеходах , новых домашних роботах и даже внутри человеческого тела.

Математическое описание задачи [ править ]

Учитывая серию элементов управления и наблюдения с датчиков в течение дискретных временных шагов , проблема SLAM состоит в том, чтобы вычислить оценку состояния агента и карту окружающей среды . Все величины обычно являются вероятностными, поэтому цель состоит в том, чтобы вычислить:

Применение правила Байеса дает основу для последовательного обновления задних значений местоположения с учетом карты и функции перехода ,

Аналогичным образом карту можно обновлять последовательно,

Как и во многих задачах вывода, решения для вывода двух переменных вместе могут быть найдены для локального оптимального решения путем чередования обновлений двух убеждений в форме алгоритма EM .

Алгоритмы [ править ]

Статистические методы , используемые для аппроксимации вышеприведенных уравнений включают Калмана фильтры и фильтры частиц (иначе. Методы Монте - Карло ). Они обеспечивают оценку функции апостериорной вероятности для позы робота и для параметров карты. Методы, которые консервативно аппроксимируют указанную выше модель с использованием пересечения ковариаций , позволяют избежать зависимости от предположений о статистической независимости для уменьшения алгоритмической сложности крупномасштабных приложений. [1] Другие методы аппроксимации позволяют повысить вычислительную эффективность за счет использования простых представлений неопределенности в ограниченной области. [2]

Методы принадлежности к множеству в основном основаны на распространении ограничений интервала . [3] [4] Они предоставляют набор, который включает позу робота и набор аппроксимации карты. Пакетная корректировка и, в более общем смысле, максимальная апостериорная оценка (MAP), является еще одним популярным методом SLAM с использованием данных изображения, который совместно оценивает позы и позиции ориентиров, повышая точность карты, и используется в коммерческих системах SLAM, таких как Google ARCore, который заменяет их предыдущий проект дополненной реальности ' Tango'. Оценщики MAP вычисляют наиболее вероятное объяснение поз робота и карты с учетом данных датчика, а не пытаются оценить всю апостериорную вероятность.

Новые алгоритмы SLAM остаются активной областью исследований [5] и часто определяются различными требованиями и предположениями о типах карт, датчиков и моделей, как подробно описано ниже. Многие системы SLAM можно рассматривать как комбинации вариантов выбора из каждого из этих аспектов.

Отображение [ править ]

Топологические карты - это метод представления среды, который фиксирует связность (т. Е. Топологию ) среды, а не создает геометрически точную карту. Топологические подходы SLAM использовались для обеспечения глобальной согласованности в метрических алгоритмах SLAM. [6]

Напротив, сеточные карты используют массивы (обычно квадратные или шестиугольные) дискретных ячеек для представления топологического мира и делают выводы о том, какие ячейки заняты. Обычно предполагается, что ячейки статистически независимы, чтобы упростить вычисления. При таком предположении устанавливается значение 1, если ячейки новой карты согласуются с наблюдением в местоположении, и 0, если несовместимы.

Современные беспилотные автомобили в большинстве случаев упрощают задачу картографирования почти до нуля за счет широкого использования заранее собранных высокодетальных картографических данных. Это может включать в себя аннотации карты на уровне отметки местоположений отдельных сегментов белой линии и бордюров на дороге. Визуальные данные с тегами местоположения, такие как Google StreetView, также могут использоваться как часть карт. По сути, такие системы упрощают проблему SLAM до более простой задачи только локализации , возможно, позволяя перемещать объекты, такие как автомобили и люди, только для обновления карты во время выполнения.

Чувство [ править ]

См. Также: 3D сканер
Накопленное зарегистрированное облако точек от лидара SLAM.

SLAM всегда будет использовать несколько различных типов датчиков, и мощность и ограничения различных типов датчиков были основным драйвером новых алгоритмов. [7] Статистическая независимость является обязательным требованием для устранения систематической погрешности показателей и шума при измерениях. Различные типы датчиков порождают разные алгоритмы SLAM, предположения которых наиболее подходят для датчиков. С одной стороны, лазерное сканирование или визуальные функции предоставляют подробную информацию о многих точках в пределах области, иногда рендеринг вывода SLAM не требуется, потому что формы в этих облаках точек можно легко и однозначно выровнять на каждом этапе с помощью регистрации изображения . Напротив, тактильные датчикичрезвычайно редки, поскольку содержат информацию только о точках, очень близких к агенту, поэтому для компенсации чисто тактильного SLAM требуются сильные предшествующие модели. Большинство практических задач SLAM находятся где-то между этими визуальными и тактильными крайностями.

Модели сенсоров в целом делятся на подходы, основанные на ориентирах и необработанных данных. Ориентиры - это однозначно идентифицируемые объекты в мире, местоположение которых можно определить с помощью датчика, например точки доступа Wi-Fi или радиомаяки. Подходы на основе необработанных данных не предполагают, что ориентиры могут быть идентифицированы, и вместо этого моделируют напрямую как функцию местоположения.

Оптические датчики могут быть одномерными (однолучевыми) или двумерными (развертка) лазерными дальномерами , трехмерными лидарами высокой четкости, трехмерными флэш-лидарами , двумерными или трехмерными датчиками сонара и одной или несколькими двухмерными камерами . [7] С 2005 года проводились интенсивные исследования VSLAM (визуального SLAM) с использованием в основном визуальных (камеры) сенсоров из-за растущего повсеместного распространения камер, например, в мобильных устройствах. [8] Визуальные датчики и лидары достаточно информативны, чтобы во многих случаях можно было определять ориентиры. Другие недавние формы SLAM включают тактильный SLAM [9] (обнаружение только локальным прикосновением), радарный SLAM, [10] акустический SLAM, [11]и Wi-Fi-SLAM (обнаружение сильных сторон ближайших точек доступа Wi-Fi). [12] Недавние подходы применяют квазиоптическое беспроводное измерение дальности для множественной задержки ( RTLS ) или множественного угла в сочетании с SLAM как дань неустойчивым беспроводным мерам. В своего рода SLAM для пешеходов используется инерциальный измерительный блок, установленный на обуви, в качестве основного датчика и основан на том факте, что пешеходы могут избегать стен, чтобы автоматически строить планы этажей зданий с помощью внутренней системы позиционирования . [13]

Для некоторых наружных применений необходимость в SLAM почти полностью устранена благодаря высокоточным дифференциальным датчикам GPS . С точки зрения SLAM, их можно рассматривать как датчики местоположения, вероятность которых настолько высока, что они полностью определяют вывод. Однако датчики GPS могут иногда выходить из строя или полностью выходить из строя, например, во время военного конфликта, что представляет особый интерес для некоторых приложений робототехники.

Кинематическое моделирование [ править ]

Этот термин представляет собой кинематику модели, которая обычно включает информацию о командах действий, данных роботу. В состав модели включена кинематика робота для улучшения оценок зондирования в условиях собственного и окружающего шума. Динамическая модель уравновешивает вклад различных датчиков, различных моделей частичных ошибок и, наконец, представляет собой четкое виртуальное изображение в виде карты с местоположением и курсом робота в виде некоторого облака вероятности. Картирование является окончательным изображением такой модели, карта является либо таким изображением, либо абстрактным термином для модели.

Для 2D-роботов кинематика обычно задается комбинацией команд вращения и «движения вперед», которые реализуются с дополнительным шумом двигателя. К сожалению, распределение, образованное независимым шумом в угловом и линейном направлениях, не является гауссовым, но часто аппроксимируется гауссовым. Альтернативный подход состоит в том, чтобы игнорировать кинематический термин и считывать данные одометрии с колес робота после каждой команды - такие данные могут затем рассматриваться как один из датчиков, а не как кинематика.

Acoustic SLAM [ править ]

Расширение общей проблемы SLAM было применено к акустической области, где окружающая среда представлена ​​трехмерным (3D) положением источников звука, называемым. [14] Ранние реализации этого метода использовали оценки направления прибытия (DoA) местоположения источника звука и основывались на основных методах локализации звука.для определения местоположения источника. Наблюдатель или робот должен быть оснащен набором микрофонов, чтобы можно было использовать акустический SLAM, чтобы характеристики DoA были правильно оценены. Acoustic SLAM заложил основу для дальнейших исследований в области картирования акустических сцен и может играть важную роль во взаимодействии человека и робота с помощью речи. Чтобы отобразить несколько, а иногда и прерывистые источники звука, система Acoustic SLAM использует основы теории случайных конечных множеств для обработки переменного присутствия акустических ориентиров. [15] Однако природа акустических характеристик делает Acoustic SLAM уязвимым для проблем, связанных с реверберацией, бездействием и шумом в окружающей среде.

Audio-Visual SLAM [ править ]

Первоначально разработанный для взаимодействия человека и робота , Audio-Visual SLAM представляет собой структуру, которая обеспечивает слияние характерных черт, полученных с помощью акустических и визуальных модальностей в среде. [16]Человеческое взаимодействие характеризуется особенностями, воспринимаемыми не только в визуальной, но и в акустической модальности; Таким образом, алгоритмы SLAM для роботов и машин, ориентированных на человека, должны учитывать оба набора функций. Аудиовизуальная структура оценивает и отображает положение человеческих ориентиров с помощью визуальных функций, таких как человеческая поза, и аудио функций, таких как человеческая речь, и объединяет убеждения для более надежной карты окружающей среды. Для приложений в мобильной робототехнике (например, дронов, сервисных роботов) полезно использовать маломощное и легкое оборудование, такое как монокулярные камеры или массивы микроэлектронных микрофонов. Audio-Visual SLAM также может обеспечивать дополнительную функцию таких датчиков, компенсируя узкое поле зрения, окклюзию функций,и оптическое ухудшение, обычное для легких визуальных датчиков с полным полем обзора, и беспрепятственное отображение функций, присущее звуковым датчикам. Восприимчивость аудиодатчиков к реверберации, бездействию источника звука и шуму также можно соответственно компенсировать за счет слияния ориентиров в визуальной модальности. Дополнительная функция между аудио и визуальными модальностями в окружающей среде может оказаться полезной для создания робототехники и машин, которые полностью взаимодействуют с человеческой речью и человеческими движениями.Дополнительная функция между аудио и визуальными модальностями в окружающей среде может оказаться полезной для создания робототехники и машин, которые полностью взаимодействуют с человеческой речью и человеческими движениями.Дополнительная функция между аудио и визуальными модальностями в окружающей среде может оказаться полезной для создания робототехники и машин, которые полностью взаимодействуют с человеческой речью и человеческими движениями.

Совместное SLAM [ править ]

Совместное SLAM объединяет изображения от нескольких роботов или пользователей для создания 3D-карт. [17]

Движущиеся объекты [ править ]

Нестатические среды, например, в которых находятся другие транспортные средства или пешеходы, продолжают создавать исследовательские проблемы. [18] [19] SLAM с DATMO - это модель, которая отслеживает движущиеся объекты аналогично самому агенту. [20]

Замыкание цикла [ править ]

Замыкание цикла - это проблема распознавания ранее посещенного места и соответствующего обновления убеждений. Это может быть проблемой, поскольку ошибки модели или алгоритма могут назначать низкую априорность местоположению. Типичные методы замыкания цикла применяют второй алгоритм для вычисления некоторого типа подобия измерения датчика и повторно устанавливают априорные значения местоположения при обнаружении совпадения. Например, это можно сделать, сохраняя и сравнивая набор векторов слов функций SIFT из каждого ранее посещенного местоположения.

Исследование [ править ]

«Активный SLAM» изучает комбинированную проблему SLAM с решением, куда двигаться дальше, чтобы построить карту как можно более эффективно. Потребность в активном исследовании особенно очевидна в режимах разреженного зондирования, таких как тактильный SLAM. Активный SLAM обычно выполняется путем аппроксимации энтропии карты при гипотетических действиях. «Мультиагентный SLAM» расширяет эту проблему на случай, когда несколько роботов координируют свои действия для оптимального исследования.

Биологическое вдохновение [ править ]

В нейробиологии гиппокамп , по-видимому, участвует в SLAM-подобных вычислениях [21] [22] [23], давая начало размещению клеток , и сформировал основу для био-вдохновляемых систем SLAM, таких как RatSLAM.

Реализации [ править ]

Различные алгоритмы SLAM реализованы в библиотеках операционной системы роботов с открытым исходным кодом (ROS), которые часто используются вместе с библиотекой Point Cloud для трехмерных карт или визуальных функций из OpenCV .

История [ править ]

Основополагающей работой в SLAM является исследование Р. С. Смита и П. Чизмана по представлению и оценке пространственной неопределенности в 1986 году. [24] [25] Другая новаторская работа в этой области была проведена исследовательской группой Хью Ф. Дарранта. Уайтом в начале 1990-х гг. [26], который показал, что решения SLAM существуют в пределе бесконечных данных. Это открытие мотивирует поиск алгоритмов, которые являются вычислительно управляемыми и приближают решение.

Беспилотные автомобили STANLEY и JUNIOR во главе с Себастьяном Труном выиграли DARPA Grand Challenge и заняли второе место в DARPA Urban Challenge в 2000-х годах и включали системы SLAM, привлекшие внимание всего мира. Внедрение SLAM для массового рынка теперь можно найти в бытовых роботах-пылесосах. [27]

См. Также [ править ]

  • Компьютерная фотография
  • Визуальная одометрия
  • Фильтр Калмана
  • Параметризация обратной глубины
  • Список методов SLAM
  • Мобильный робот Программирование проекта Toolkit (MRPT) : Набор с открытым исходным кодом, кросс-платформенных библиотек покрытия SLAM через фильтрации частиц и Калмана фильтрации .
  • Локализация Монте-Карло
  • Международная задача с участием нескольких автономных наземных роботов : международная задача стоимостью 1,6 миллиона долларов, требующая, чтобы несколько транспортных средств совместно нанесли на карту большую территорию.
  • Neato Robotics
  • Фильтр твердых частиц
  • Проект Танго
  • Роботизированное картографирование
  • Стэнли ,победитель DARPA Grand Challenge, использующий технику SLAM
  • Стереофотограмметрия
  • Структура от движения .

Ссылки [ править ]

  1. ^ Julier, S .; Ульманн, Дж. (2001). Создание карты миллиона маяков . Труды конференции ISAM по интеллектуальным системам для производства. DOI : 10.1117 / 12.444158 .
  2. ^ Csorba, M .; Ульманн, Дж. (1997). Субоптимальный алгоритм автоматического построения карты . Труды Американской конференции по контролю 1997 года. DOI : 10,1109 / ACC.1997.611857 .
  3. ^ Jaulin, L. (2009). «Нелинейный подход, основанный на членстве во множестве, для локализации и построения карты подводного робота с использованием интервального распространения ограничений» (PDF) . IEEE Transactions по робототехнике . 25 : 88–98. DOI : 10.1109 / TRO.2008.2010358 .
  4. ^ Jaulin, L. (2011). «SLAM только по дальности с картами занятости; подход, основанный на членстве в множестве» (PDF) . IEEE Transactions по робототехнике . 27 (5): 1004–1010. DOI : 10.1109 / TRO.2011.2147110 .
  5. ^ Кадена, Сезар; Карлоне, Лука; Каррильо, Генри; Латиф, Ясир; Скарамуцца, Давиде; Нейра, Хосе; Рид, Ян; Леонард, Джон Дж. (2016). «Прошлое, настоящее и будущее одновременной локализации и картирования: к эпохе устойчивого восприятия». IEEE Transactions по робототехнике . 32 (6): 1309–1332. arXiv : 1606.05830 . Bibcode : 2016arXiv160605830C . DOI : 10,1109 / tro.2016.2624754 . hdl : 2440/107554 . ISSN 1552-3098 . 
  6. ^ Cummins, Марк; Ньюман, Пол (июнь 2008 г.). «ФАБ-КАРТА: вероятностная локализация и отображение в пространстве явлений» (PDF) . Международный журнал исследований робототехники . 27 (6): 647–665. DOI : 10.1177 / 0278364908090961 . Проверено 23 июля 2014 года .
  7. ^ a b Magnabosco, M .; Брекон, Т.П. (февраль 2013 г.). «Кросс-спектральная визуальная одновременная локализация и картирование (SLAM) с переключением датчиков» (PDF) . Робототехника и автономные системы . 63 (2): 195–208. DOI : 10.1016 / j.robot.2012.09.023 . Проверено 5 ноября 2013 года .
  8. ^ Карлссон, N .; и другие. (Ди Бернардо, Э .; Островски, Дж; Гонсалвес, Л .; Пирджанян, П .; Мюнхен, М.) (2005). Алгоритм vSLAM для надежной локализации и сопоставления . Int. Конф. по робототехнике и автоматизации (ICRA). DOI : 10.1109 / ROBOT.2005.1570091 .
  9. ^ Fox, C .; Evans, M .; Pearson, M .; Прескотт, Т. (2012). Тактильный SLAM с биомиметическим усатым роботом (PDF) . Proc. IEEE Int. Конф. по робототехнике и автоматизации (ICRA).
  10. ^ Марк, JW; Mohamoud, A .; vd Houwen, E .; ван Хейстер, Р. (2013). Внутренний радар SLAM Радарное приложение для работы в условиях отсутствия видимости и GPS (PDF) . Радиолокационная конференция (EuRAD), 2013 г., Европа.
  11. ↑ Эверс, Кристина, Аластер Х. Мур и Патрик А. Нейлор. « Акустическая одновременная локализация и отображение (a-SLAM) движущегося массива микрофонов и окружающих его динамиков ». Международная конференция IEEE по акустике, речи и обработке сигналов (ICASSP), 2016 г. IEEE, 2016.
  12. ^ Феррис, Брайан, Дитер Фокс и Нил Д. Лоуренс. « Wifi-slam с использованием моделей со скрытыми переменными гауссовского процесса ». IJCAI. Vol. 7. № 1. 2007.
  13. ^ Робертсон, П .; Angermann, M .; Крач, Б. (2009). Одновременная локализация и нанесение на карту пешеходов с использованием только инерциальных датчиков, устанавливаемых на ногах (PDF) . Ubicomp 2009. Орландо, Флорида, США: ACM. DOI : 10.1145 / 1620545.1620560 . Архивировано из оригинального (PDF) 16 августа 2010 года.
  14. ↑ Эверс, Кристина; Нейлор, Патрик А. (сентябрь 2018 г.). «Акустический SLAM» (PDF) . Транзакции IEEE / ACM по обработке звука, речи и языка . 26 (9): 1484–1498. DOI : 10,1109 / TASLP.2018.2828321 . ISSN 2329-9290 .  
  15. ↑ Mahler, RPS (октябрь 2003 г.). «Многопозиционная байесовская фильтрация через многоцелевые моменты первого порядка». IEEE Transactions по аэрокосмическим и электронным системам . 39 (4): 1152–1178. Bibcode : 2003ITAES..39.1152M . DOI : 10.1109 / TAES.2003.1261119 . ISSN 0018-9251 . 
  16. ^ Чау, Аарон; Сэкигучи, Коухэй; Нуграха, Адитья Арье; Ёсии, Кадзуёси; Фунакоши, Котаро (октябрь 2019 г.). «Аудиовизуальный SLAM для отслеживания человека и взаимодействия человека и робота в закрытых помещениях». 2019 28-я Международная конференция IEEE по интерактивному общению роботов и людей (RO-MAN) . Нью-Дели, Индия: IEEE: 1–8. DOI : 10,1109 / RO-MAN46459.2019.8956321 . ISBN 978-1-7281-2622-7.
  17. ↑ Zou, Danping и Ping Tan. « Coslam: совместный визуальный удар в динамичной среде ». Транзакции IEEE по анализу образов и машинному интеллекту 35.2 (2012): 354-366.
  18. ^ Перера, Самунда; Паскуаль, Аджит (2011). Бебис, Джордж; Бойл, Ричард; Парвин, Бахрам; Корацин, Дарко; Ванга, Песня; Кённам, Ким; Бенеш, Бедрич; Морленд, Кеннет; Борст, Кристоф (ред.). «На пути к портативному MonoSLAM в реальном времени в динамических средах». Достижения в области визуальных вычислений . Конспект лекций по информатике. Springer Berlin Heidelberg. 6938 : 313–324. DOI : 10.1007 / 978-3-642-24028-7_29 . ISBN 9783642240287.
  19. ^ Перера, Самунда; Барнс, доктор Ник; Зелинского, Dr.Alexander (2014), Ikeuchi, Katsushi (ред.), "Исследование: Одновременная локализация и картографии (SLAM)", Computer Vision: Справочное руководство , Springer США, стр 268-275,. Дои : 10.1007 / 978 -0-387-31439-6_280 , ISBN 9780387314396
  20. ^ Ван, Чи-Чжи; Торп, Чарльз; Трун, Себастьян; Эбер, Марсьяль; Даррант-Уайт, Хью (2007). «Одновременная локализация, отображение и отслеживание движущихся объектов» (PDF) . Int. J. Робот. Res . 26 (9): 889–916. DOI : 10.1177 / 0278364907081229 .
  21. ^ Ховард, MW; Фотедар, МС; Дати, АВ; Хассельмо, Мэн (2005). «Модель временного контекста в пространственной навигации и реляционном обучении: к общему объяснению функции медиальной височной доли в разных областях» . Психологический обзор . 2005, Psychol Rev.112 (1): 75-116. 112 (1): 75–116. DOI : 10.1037 / 0033-295X.112.1.75 . PMC 1421376 . PMID 15631589 .  
  22. ^ Фокс, C; Прескотт, Т. (2010). «Гиппокамп как унитарный фильтр когерентных частиц» (PDF) . Международная совместная конференция по нейронным сетям 2010 г. (IJCNN) . 2010, Международная совместная конференция по нейронным сетям. С. 1–8. DOI : 10.1109 / IJCNN.2010.5596681 . ISBN  978-1-4244-6916-1.
  23. ^ Милфорд, MJ; Wyeth, GF; Prasser, D. RatSLAM: модель гиппокампа для одновременной локализации и картирования (PDF) . Ход работы. ICRA'04. Международная конференция IEEE по. Vol. 1. IEEE, 2004.
  24. ^ Смит, RC; Чизмен, П. (1986). «О представлении и оценке пространственной неопределенности» (PDF) . Международный журнал исследований робототехники . 5 (4): 56–68. DOI : 10.1177 / 027836498600500404 . Проверено 8 апреля 2008 .
  25. ^ Смит, RC; Self, M .; Чизмен, П. (1986). «Оценка неопределенных пространственных отношений в робототехнике» (PDF) . Труды второй ежегодной конференции по неопределенности в искусственном интеллекте . UAI '86. Пенсильванский университет, Филадельфия, Пенсильвания, США: Elsevier. С. 435–461. Архивировано из оригинального (PDF) 02.07.2010.
  26. ^ Леонард, JJ; Даррант-Уайт, HF (1991). «Одновременное построение карты и локализация для автономного мобильного робота». Интеллектуальные роботы и системы '91.' Интеллект для механических систем, Труды IROS'91. IEEE / RSJ International Workshop on : 1442–1447. DOI : 10.1109 / IROS.1991.174711 . ISBN 978-0-7803-0067-5.
  27. ↑ Knight, Will (16 сентября 2015 г.). «Благодаря Roomba, способному к навигации, iRobot видит передовых домашних роботов» . MIT Technology Review . Проверено 25 апреля 2018 .

Внешние ссылки [ править ]

  • Вероятностное Robotics по Себастьян Thrun , Wolfram Бургарду и Дитер Фокс с ясным обзором SLAM.
  • SLAM для чайников (учебный подход к одновременной локализации и отображению) .
  • Эндрю Дэвисон исследование страницы на кафедре вычислительной техники , Imperial College London об SLAM с помощью видения.
  • openslam.org Хороший сборник открытого исходного кода и объяснений SLAM.
  • Набор инструментов Matlab для фильтрации Калмана, применяемый для одновременной локализации и отображения транспортных средств, движущихся в 1D, 2D и 3D.
  • Страница исследования FootSLAM в DLR, включая соответствующие подходы Wifi SLAM и PlaceSLAM.
  • Лекция SLAM Онлайн- лекция SLAM на Python.