في عالم الروبوتات والمركبات ذاتية القيادة وتكنولوجيا المسح الذي يتطور بسرعة، برزت SLAM التحديد المتزامن للموقع ورسم الخرائط) كأحد التقنيات الأساسية التي تمكّن الآلات من التنقل وفهم محيطها. سواء كان ذلك روبوتًا كهربائيًا ينظف منزلك أو طائرة بدون طيار ترسم خريطة لموقع منجم معقد، تعمل SLAM خلف الكواليس لفهم مكانها وما يوجد في البيئة المحيطة بها ووجهتها التالية.
تحل SLAM مشكلة الدجاجة والبيضة التي طالما شكلت تحديًا للروبوتات والأنظمة المستقلة: كيف يمكن لجهاز ما إنشاء خريطة لبيئة مجهولة مع تحديد موقعه في تلك البيئة في الوقت نفسه؟ تتطلب الملاحة التقليدية إما خرائط موجودة مسبقًا أو نقاط مرجعية خارجية مثل أقمار GPS الصناعية. SLAM هذه التبعيات، مما يتيح للأجهزة العمل بشكل مستقل في البيئات التي لا تتوفر فيها خدمة GPS مثل المناجم تحت الأرض والغابات الكثيفة أو الأماكن المغلقة.
تعمل هذه التقنية باستخدام أجهزة استشعار - عادةً ما تكون LiDAR أجهزة استشعار ضوئية) أو كاميرات لجمع بيانات حول حركة النظام والبيئة المحيطة. ثم تقوم خوارزميات متقدمة بمعالجة هذه البيانات في الوقت الفعلي، وإنشاء خريطة مع حساب موقع الجهاز ومساره في الفضاء.
تنوعت SLAM بشكل كبير في السنوات الأخيرة، مع ظهور العديد من الحلول التجارية والمفتوحة المصدر المصممة خصيصًا لتطبيقات وبيئات مختلفة.
تعد SLAM Emesent- التي تم تطويرها من Wildcat لتلبية احتياجات المستخدمين من حيث زيادة الدقة - أحدث ما توصلت إليه SLAM التجارية، وهي مصممة خصيصًا للبيئات الصعبة تحت الأرض والبيئات التي لا يتوفر فيها نظام تحديد المواقع العالمي (GPS). تم تطوير خوارزمية Wildcat في مختبر CSIRO ، ثم تم تحويلها إلى شركة ناشئة - Emesent حيث Farid Kendoul المؤسسان المشاركان Stefan Hrabar Farid Kendoul دفع عجلة الابتكار. يدمج هذا النظام دمجًا متطورًا لأجهزة الاستشعار، حيث يجمع بين LiDAR والقياسات بالقصور الذاتي لتحقيق دقة استثنائية حتى في أكثر الظروف صعوبة.SLAM Emesent SLAM في تطبيقات التعدين ومسح الأنفاق ورسم خرائط الأماكن الضيقة حيث تثبت طرق المسح التقليدية أنها غير عملية أو خطرة. يمكن للخوارزميات القوية للنظام التعامل مع البيئات الديناميكية والغبار وضعف الرؤية - وهي ظروف من شأنها أن تعرض SLAM الأقل تقدمًا للخطر.
بالإضافة إلى Wildcat SLAM Emesentيشمل SLAM العديد من البدائل. وبالإضافة إلى خيارات B2C، تلبي البدائل التجارية مثل سلسلة ZEB من GeoSLAM وأنظمة NavVis احتياجات قطاعات السوق المختلفة، من توثيق التراث إلى إدارة المرافق. ويقدم كل نظام مزايا ومساوئ بين الدقة ومتطلبات قوة المعالجة والتكلفة ومدى ملاءمته لبيئات معينة.
من المهم التمييز بين LiDAR نفسه — الذي يُطلق عليه غالبًا اسم "القرص" نظرًا لشكله الأسطواني المضغوط — SLAM الذي يعالج بياناته. LiDAR هو ببساطة المكون المادي الذي يصدر نبضات ليزر ويقيس وقت عودتها لحساب المسافات، مما ينتج عنه بيانات سحابية أولية. SLAM هي طبقة برمجية متطورة تحول هذه البيانات الأولية إلى معلومات قابلة للتنفيذ: إنشاء خرائط متماسكة، وتتبع المواقع، وتصحيح الانحرافات، وتمكين الملاحة الذاتية.
غالبًا ما يستخدم العديد من المصنعين LiDAR متطابقة أو متشابهة في أنظمتهم. على سبيل المثال، تظهر مستشعرات Velodyne أو Ouster في العديد SLAM . ومع ذلك، يمكن أن ينتج عن نظامين يستخدمان نفس LiDAR نتائج مختلفة تمامًا اعتمادًا على SLAM الخاصة بهما. يكمن الاختلاف في كيفية تعامل برامج كل مصنع مع دمج المستشعرات ومعالجة بيانات سحابة النقاط واكتشاف إغلاق الحلقات وإدارة الأخطاء المتراكمة وتصفية الضوضاء. تستخدم بعض الشركات المصنعة حتى LiDAR دوارة لتحقيق تغطية أو تكرار أكبر. وهذا يعني أنه عند تقييم SLAM فإن جودة البرامج وتطورها لا يقلان أهمية عن أجهزة المستشعرات الأساسية، إن لم يكونا أكثر أهمية منها.
لفهم SLAM لا بد من دراسة كيفية تقييم الأنظمة والعوامل التي تؤثر على أدائها.
تشير SLAM غير المقيدة إلى مدى جودة أداء النظام بدون نقاط مرجعية أو تصحيحات خارجية. وهذا يمثل الأداء "الخام" SLAM لأنها تعمل بشكل مستقل. في الوضع غير المقيد، قد يتراكم انحراف SLAM على مسافات طويلة أو فترات تشغيل طويلة — يمكن أن تتراكم أخطاء تحديد المواقع الصغيرة بمرور الوقت، مما يتسبب في تشويه الخريطة تدريجياً. SLAM الأنظمة عالية الجودة مثل SLAM Emesent SLAM هذا الانحراف من خلال دمج المستشعرات المتقدم وكشف إغلاق الحلقة، والذي يتعرف على عودة الجهاز إلى موقع تم تعيينه مسبقًا ويصحح الأخطاء المتراكمة.
تعد الدقة غير المقيدة أمرًا بالغ الأهمية للتطبيقات التي لا توجد فيها بيانات حقيقية على أرض الواقع، مثل استكشاف الكهوف التي لم يتم رسم خرائط لها من قبل أو الاستجابة لحالات الطوارئ في مناطق الكوارث. يمكن SLAM التجارية الحديثة تحقيق دقة غير مقيدة تتراوح من سنتيمتر واحد إلى عدة أمتار، اعتمادًا على البيئة والمسافة المقطوعة.
Constrained SLAM accuracy represents performance when the system can reference known control points or integrate with external positioning data. By incorporating surveyed ground control points or RTK data (when available) constrained SLAM dramatically improves accuracy. For Emesent’s SLAM, this approach integrates the RTK and ground control points as additional constraints during SLAM processing, eliminating cumulative drift and providing survey-grade results. In professional surveying applications, constrained SLAM can achieve <10mm 3D accuracy, making it suitable for engineering design and construction projects.
تؤثر العوامل البيئية بشكل كبير على SLAM وموثوقية SLAM مما يتطلب من المشغلين فهم كيفية تأثير الظروف على أداء النظام.
تعد المساحات الداخلية عمومًا سهلة بالنسبة SLAM ويمكن قياسها بدقة عالية، على الرغم من وجود بعض التحديات المحتملة. توفر البيئات المنظمة التي تحتوي على جدران وأبواب وأثاث ميزات هندسية وفيرة SLAM LiDAR تحديدها وتتبعها بسهولة، مما يزيد من دقة تقدير الموقع وبالتالي دقة SLAM. ومع ذلك، قد يكون المرور بسرعة عبر المساحات الداخلية الضيقة، أو الانتقالات مثل الأبواب، أو "البيئات المتكررة" مثل الممرات الطويلة الضيقة أكثر صعوبة، مما يتسبب SLAM لموقعه. قد تؤدي الأسطح العاكسة مثل الجدران الزجاجية أو المرايا أيضًا إلى قراءات خاطئة.
تمثل البيئات تحت الأرض — المناجم والأنفاق والكهوف — بعضًا من أصعب الظروف التي تواجه SLAM ولهذا السبب بالتحديدSLAM تطوير أنظمة مثل Emesent SLAM خصيصًا لهذه التطبيقات. يختبر الغبار والرطوبة وضعف الرؤية أداء المستشعر، بينما تشكل هياكل الأنفاق المتكررة التي تفتقر إلى السمات المميزة تحديًا لخوارزميات إغلاق الحلقة. يتطلب غياب نظام تحديد المواقع العالمي (GPS) الاعتماد الكامل على القدرات المستقلة SLAM . على الرغم من هذه التحديات، تحقق SLAM المتقدمة دقة ملحوظة تحت الأرض، حيث تحافظ عادةً على دقة تصل إلى مستوى السنتيمتر من خلال دمج المستشعرات المتطورة والأساليب الخوارزمية القوية.
كيف تصنع SLAM يعمل في أي مكان؟
تشكل البيئات الخارجية تحديًا لمعظم SLAM . فهناك عدد أقل بكثير من الميزات SLAM وتتبعها، مما يجعل تحقيق نتائج عالية الدقة أمرًا صعبًا. تسمح البيئات المفتوحة بالاندماج مع RTK للحصول على دقة محدودة وإسناد جغرافي تلقائي، مما يمكن أن يعزز الأداء إذا قامت الخوارزمية بتحسين بيانات SLAM RTK بشكل صحيح. إدخال السرعة في المعادلة - على سبيل المثال عند إجراء مسح للمركبة - يمكن أن يجعل من الصعب على SLAM الميزات في البيئة بدقة. تعد البيئات الخارجية تخصصًا خاصًا لـ Emesent SLAM حيث تم تطويرها للبيئات الصعبة والمجهولة والتي يتعذر الوصول إليها والتي تعاني منها SLAM الأخرى.
يؤثر وجود الأجسام المتحركة بشكل أساسي SLAM . تسمح البيئات الثابتة للأنظمة بإنشاء خرائط متسقة ومستقرة، بينما تتطلب البيئات الديناميكية التي تضم مشاة أو مركبات أو آلات خوارزميات يمكنها التمييز بين الميزات الدائمة والعوائق المؤقتة. تتضمن SLAM المتقدمة تصفية الأجسام والتتبع الديناميكي للتعامل مع هذه المواقف، على الرغم من أن الدقة قد تنخفض قليلاً في البيئات شديدة الديناميكية. بشكل عام، SLAM بشكل جيد مع البيئات الديناميكية طالما أنه يمكنه رؤية وتتبع عدد كافٍ من الأجسام الثابتة لفهم البيئة. المواقف التي يجب الحذر منها - مثل عندما SLAM على شاحنة متحركة، بينما SLAM مثبتًا على مركبة، SLAM يتتبع SLAM هذه الميزة ويصاب بالارتباك. وبالمثل، فإن المصاعد هي نقطة ضعف SLAMويجب على المستخدمين أخذ ذلك في الاعتبار.
دليل أفضل الممارسات للمسح الضوئي في البيئات الصعبة
فهم الانجراف والانزلاق في SLAM
الانجراف هو التراكم التدريجي لأخطاء تحديد المواقع الصغيرة بمرور الوقت أثناء تشغيل SLAM بدون نقاط مرجعية خارجية. تخيل أنك تمشي في مبنى بينما تعد خطواتك - كل خطأ بسيط في الحساب يتراكم، وبحلول الوقت الذي تمشي فيه 100 متر، قد تعتقد أنك على بعد عدة أمتار من موقعك الفعلي. في SLAM ، يحدث هذا مع تراكم أخطاء قياس صغيرة في المستشعرات أثناء المعالجة، مما يتسبب في تشويه الخريطة ببطء عن هندستها الحقيقية. تعمل SLAM عالية الجودة على تقليل الانجراف من خلال الكشف عن إغلاق الحلقة (التعرف على عودتك إلى منطقة تم تعيينها مسبقًا وتصحيح الأخطاء المتراكمة) وتقنيات دمج المستشعرات المتطورة. ومع ذلك، في المساحات المفتوحة الكبيرة أو البيئات الطويلة التي لا تتميز بسمات مميزة، يكون بعض الانجراف أمرًا لا مفر منه في SLAM غير المقيدة.
يقدم الانزلاق تحديًا مختلفًا - فهو يحدث عندما يفقد SLAM مؤقتًا تتبع موقعه، عادةً بسبب الحركة السريعة أو الافتقار التام إلى ميزات البيئة أو قيود المستشعر. في حين أن الانجراف تدريجي، فإن الانزلاق مفاجئ: يقوم النظام أساسًا "بالقفز" ويجب عليه إعادة توجيه نفسه، مما قد يؤدي إلى حدوث انقطاعات أو قفزات في الخريطة الناتجة. يحدث الانزلاق عادةً أثناء الحركات السريعة عبر الممرات التي تفتقر إلى السمات المميزة، أو عند المسح بسرعة كبيرة في البيئات الخارجية المتفرقة، أو عندما تتأثر LiDAR مؤقتًا بالغبار أو الضباب. لتقليل الانجراف والانزلاق إلى الحد الأدنى، يجب على المشغلين الحفاظ على سرعات حركة ثابتة ومحكومة، والتأكد من أن المستشعر يلتقط تفاصيل بيئية كافية، وتخطيط مسارات تخلق حلقات طبيعية عندما يكون ذلك ممكنًا.
أحدثت SLAM ثورة في الطريقة التي تدرك بها الأنظمة المستقلة بيئاتها وتتنقل فيها. من القدرات المتخصصة SLAM Emesent SLAM النظام البيئي المتنوع للحلول البديلة، توفر SLAM الحديثة مرونة وأداءً غير مسبوقين عبر تطبيقات متنوعة. يساعد فهم الفرق بين الدقة المقيدة وغير المقيدة المستخدمين على اختيار سير العمل المناسب لمتطلبات الدقة الخاصة بهم، بينما يتيح إدراك التأثيرات البيئية تخطيطًا أفضل ونتائج أكثر موثوقية. مع استمرار تقدم التكنولوجيا، SLAM بلا شك لتشمل تطبيقات جديدة، مما يجعل التنقل الذاتي أكثر سهولة ودقة في جميع البيئات.
هل تريد أن ترى النتائج التيSLAM ؟ الدقة والسرعة والتنوع - كل ذلك موجود هنا.
مقال بقلم: