In der sich rasant entwickelnden Welt der Robotik, autonomen Fahrzeuge und Vermessungstechnik hat sich SLAM Simultaneous Localization and Mapping) als grundlegende Technologie etabliert, die es Maschinen ermöglicht, sich zu orientieren und ihre Umgebung zu erfassen. Ob es sich um einen Staubsaugerroboter handelt, der Ihr Zuhause reinigt, oder um eine Drohne, die ein komplexes Bergwerksgelände kartografiert – SLAM arbeitet im Hintergrund daran, zu erfassen, wo sie sich befindet, was sich in der Umgebung befindet und wohin sie als Nächstes fahren soll.

Was ist SLAM?

SLAM löst ein Henne-Ei-Problem, das die Robotik und autonome Systeme seit langem vor eine Herausforderung stellt: Wie kann ein Gerät eine Karte einer unbekannten Umgebung erstellen und gleichzeitig seine eigene Position innerhalb dieser Umgebung bestimmen? Herkömmliche Navigationssysteme erfordern entweder bereits vorhandene Karten oder externe Referenzpunkte wie GPS-Satelliten. SLAM diese Abhängigkeiten SLAM und ermöglicht es Geräten, in Umgebungen ohne GPS-Empfang – wie unterirdischen Bergwerken, dichten Wäldern oder Innenräumen – autonom zu agieren.

Die Technologie nutzt Sensoren – in der Regel LiDAR Light Detection and Ranging) oder Kameras –, um Daten über die Bewegung des Systems und die Umgebung zu erfassen. Ausgefeilte Algorithmen verarbeiten diese Daten dann in Echtzeit, erstellen eine Karte und berechnen gleichzeitig die Position und Bewegungsbahn des Geräts im Raum.

Arten von SLAM

Die SLAM hat sich in den letzten Jahren erheblich diversifiziert, wobei verschiedene kommerzielle und Open-Source-Lösungen für unterschiedliche Anwendungen und Umgebungen entwickelt wurden.

Emesent SLAM

SLAM Emesent – der auf Wildcat aufbaut und weiterentwickelt wurde, um den Anforderungen der Nutzer nach höherer Genauigkeit gerecht zu werden – steht an der Spitze SLAM kommerziellen SLAM und wurde speziell für anspruchsvolle unterirdische Umgebungen und Orte ohne GPS-Empfang entwickelt. Der Wildcat-Algorithmus wurde in einem CSIRO -Forschungslabor entwickeltund in ein Start-up-Unternehmen – Emesent – ausgegliedert, wo die Mitbegründer Stefan Hrabar Farid Kendoul Innovationen vorantreiben. Dieses System integriert eine ausgefeilte Sensorfusion, bei der LiDAR mit Trägheitsmessungen kombiniert werden, um selbst unter anspruchsvollsten Bedingungen eine außergewöhnliche Genauigkeit zu erzielen. Emesent SLAM bei Anwendungen im Bergbau, bei Tunnelvermessungen und bei der Kartierung beengter RäumeSLAM , wo herkömmliche Vermessungsmethoden sich als unpraktisch oder gefährlich erweisen. Die robusten Algorithmen des Systems kommen mit dynamischen Umgebungen, Staub und schlechter Sicht zurecht – Bedingungen, die weniger fortschrittliche SLAM beeinträchtigen würden.

Weitere bemerkenswerte SLAM

Neben SLAM Wildcat SLAM Emesentumfasst das SLAM zahlreiche weitere Alternativen. Neben B2C-Lösungen richten sich kommerzielle Alternativen wie die ZEB-Serie von GeoSLAM und die Systeme von NavVis an unterschiedliche Marktsegmente, von der Dokumentation von Kulturgütern bis hin zum Facility Management. Jedes System bietet unterschiedliche Kompromisse hinsichtlich Genauigkeit, Anforderungen an die Rechenleistung, Kosten und Eignung für bestimmte Umgebungen.

Die Unterscheidung zwischen Hardware und Software in SLAM

Es ist wichtig, zwischen dem LiDAR selbst – der aufgrund seiner kompakten zylindrischen Form oft als „Puck“ bezeichnet wird – und der SLAM zu unterscheiden, die seine Daten verarbeitet. Der LiDAR ist lediglich die Hardwarekomponente, die Laserimpulse aussendet und deren Rücklaufzeit misst, um Entfernungen zu berechnen, wodurch rohe Punktwolkendaten erzeugt werden. SLAM ist die hochentwickelte Softwareebene, die diese Rohdaten in verwertbare Informationen umwandelt: Sie erstellt zusammenhängende Karten, verfolgt die Position, korrigiert Abweichungen und ermöglicht autonome Navigation.

Häufig verwenden mehrere Hersteller identische oder ähnliche LiDAR in ihren Systemen. So kommen beispielsweise Sensoren von Velodyne oder Ouster in zahlreichen SLAM zum Einsatz. Zwei Systeme, die dieselbe LiDAR nutzen, können jedoch je nach ihren SLAM sehr unterschiedliche Ergebnisse liefern. Der Unterschied liegt darin, wie die Software der jeweiligen Hersteller die Sensorfusion handhabt, die Punktwolkendaten verarbeitet, Schleifenschlüsse erkennt, akkumulierte Fehler verwaltet und Rauschen filtert. Einige Hersteller verwenden sogar rotierende LiDAR , um eine größere Abdeckung oder Redundanz zu erreichen. Das bedeutet, dass bei der Bewertung SLAM die Qualität und Ausgereiftheit der Software genauso wichtig ist wie – wenn nicht sogar wichtiger als – die zugrunde liegende Sensorhardware.

Messung SLAM

Um SLAM zu verstehen, muss man untersuchen, wie die Systeme bewertet werden und welche Faktoren ihre Leistung beeinflussen.

Ungebundene Genauigkeit

SLAM im uneingeschränkten Modus gibt an, wie gut das System ohne externe Referenzpunkte oder Korrekturen funktioniert. Dies entspricht der „rohen“ Leistung des SLAM , wenn er unabhängig arbeitet. Im uneingeschränkten Modus kann es bei einem SLAM über große Entfernungen oder längere Betriebszeiten zu Positionsabweichungen kommen – kleine Positionsfehler können sich mit der Zeit summieren und dazu führen, dass sich die Karte allmählich verzerrt. Hochwertige Systeme wie SLAM Emesent SLAM diese Abweichung durch fortschrittliche Sensorfusion und Schleifenschlusserkennung, die erkennt, wenn das Gerät an einen zuvor kartierten Ort zurückgekehrt ist, und angesammelte Fehler korrigiert.

Eine ungebundene Genauigkeit ist entscheidend für Anwendungen, bei denen keine Referenzdaten vorliegen, wie beispielsweise bei der Erkundung bisher nicht kartierter Höhlen oder bei Notfallmaßnahmen in Katastrophengebieten. Moderne kommerzielle SLAM können je nach Umgebung und zurückgelegter Strecke eine ungebundene Genauigkeit von einem Zentimeter bis zu mehreren Metern erreichen.

Begrenzte Genauigkeit

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.

Umgebungsfaktoren haben einen erheblichen Einfluss auf SLAM und Zuverlässigkeit SLAM , weshalb die Bediener verstehen müssen, wie sich die Umgebungsbedingungen auf die Systemleistung auswirken.

Innenräume

Innenräume stellen für SLAM im Allgemeinen keine große Herausforderung dar und lassen sich sehr genau vermessen, wenngleich es dabei einige potenzielle Schwierigkeiten geben kann. Strukturierte Umgebungen mit Wänden, Türen und Möbeln bieten zahlreiche geometrische Merkmale, die LiDAR SLAM leicht identifizieren und verfolgen SLAM , was die Positionsschätzung SLAMund damit dessen Genauigkeit verbessert. Das schnelle Durchqueren enger Innenbereiche, Übergänge wie Türen oder „sich wiederholende Umgebungen“ wie lange, schmale Flure können jedoch eine größere Herausforderung darstellen und SLAM führen, SLAM die Orientierung verliert. Reflektierende Oberflächen wie Glaswände oder Spiegel können ebenfalls zu falschen Messwerten führen.

Unterirdische Bereiche und beengte Räume

Unterirdische Umgebungen – Bergwerke, Tunnel, Höhlen – stellen einige der größten Herausforderungen für SLAM dar, weshalb Systeme wie Emesent SLAM speziell für diese Anwendungen entwickeltSLAM . Staub, Feuchtigkeit und schlechte Sicht stellen die Leistungsfähigkeit der Sensoren auf die Probe, während sich wiederholende Tunnelstrukturen ohne markante Merkmale die Algorithmen zur Schleifenschließung vor Herausforderungen stellen. Da kein GPS zur Verfügung steht, muss man sich vollständig auf die autonomen Fähigkeiten SLAM verlassen. Trotz dieser Herausforderungen erzielen fortschrittliche SLAM unter Tage eine bemerkenswerte Genauigkeit und gewährleisten durch ausgefeilte Sensorfusion und robuste algorithmische Ansätze in der Regel eine Präzision im Zentimeterbereich.

Wie entwickelt man SLAM überall funktioniert?

Außenbereiche

Außenbereiche stellen für SLAM meisten SLAM eine Herausforderung dar. Es gibt deutlich weniger Orientierungspunkte, die SLAM identifizieren und verfolgen SLAM , was das Erreichen hochpräziser Ergebnisse erschwert. In offenen Umgebungen ist die Integration mit RTK möglich, um eine verbesserte Genauigkeit und automatische Georeferenzierung zu erzielen. Dies kann die Leistung steigern, wenn der Algorithmus sowohl die SLAM die RTK-Daten korrekt optimiert. Wird Geschwindigkeit in die Gleichung einbezogen – beispielsweise bei der Durchführung eines Fahrzeugscans –, kann es für SLAM noch schwieriger werden SLAM Merkmale in der Umgebung genau SLAM verfolgen. Außenbereiche sind eine besondere Spezialität von Emesent SLAM, da es für die anspruchsvollen, unbekannten und unzugänglichen Umgebungen entwickelt wurde, mit denen andere SLAM zu kämpfen haben.

Dynamische vs. statische Umgebungen

Bewegliche Objekte haben einen entscheidenden Einfluss auf SLAM . In statischen Umgebungen können Systeme konsistente, stabile Karten erstellen, während dynamische Umgebungen mit Fußgängern, Fahrzeugen oder Maschinen Algorithmen erfordern, die dauerhafte Merkmale von vorübergehenden Hindernissen unterscheiden können. Fortschrittliche SLAM nutzen Objektfilterung und dynamische Verfolgung, um diese Situationen zu bewältigen, wobei die Genauigkeit in sehr dynamischen Umgebungen leicht abnehmen kann . Im Allgemeinen SLAM gut in dynamischen Umgebungen, solange es genügend statische Objekte erkennen und verfolgen kann, um die Umgebung zu verstehen. Zu beachtende Situationen – beispielsweise wenn SLAM auf einen fahrenden Lkw konzentriert, während SLAM auf einer Fahrzeughalterung SLAM – SLAM dieses Objekt verfolgt und dadurch verwirrt wird. Ebenso sind Aufzüge die „Kryptonit“ SLAM, und Nutzer sollten dies berücksichtigen. 

 Leitfaden für bewährte Verfahren beim Scannen unter schwierigen Bedingungen

Drift und Slip bei SLAM verstehen

Drift bezeichnet die allmähliche Anhäufung kleiner Positionsfehler im Laufe der Zeit, wenn ein SLAM ohne externe Referenzpunkte arbeitet. Stellen Sie sich vor, Sie gehen durch ein Gebäude und zählen dabei Ihre Schritte – jede noch so kleine Fehlberechnung summiert sich, und wenn Sie 100 Meter zurückgelegt haben, könnten Sie glauben, Sie befänden sich mehrere Meter von Ihrer tatsächlichen Position entfernt. In SLAM geschieht dies, wenn sich winzige Messfehler der Sensoren während der Verarbeitung ansammeln, wodurch sich die Karte langsam von ihrer tatsächlichen Geometrie verzerrt. Hochwertige SLAM minimieren den Drift durch Loop-Closure-Erkennung (das Erkennen, wenn man in einen zuvor kartierten Bereich zurückgekehrt ist, und das Korrigieren der angesammelten Fehler) sowie durch ausgefeilte Sensorfusionstechniken. In großen offenen Räumen oder langen Umgebungen ohne markante Merkmale ist jedoch ein gewisser Drift bei uneingeschränkten SLAM unvermeidlich.

Ein „Slip“ stellt eine andere Herausforderung dar – er tritt auf, wenn das SLAM vorübergehend den Überblick über seine Position verliert, meist aufgrund schneller Bewegungen, eines völligen Mangels an Umgebungsmerkmalen oder sensorischer Einschränkungen. Während eine Drift allmählich erfolgt, tritt ein Slip plötzlich auf: Das System „springt“ gewissermaßen über einen Abschnitt hinweg und muss sich neu orientieren, was zu Unstimmigkeiten oder Sprüngen in der resultierenden Karte führen kann. Slip tritt häufig bei schnellen Bewegungen durch strukturlose Korridore auf, wenn in spärlich besetzten Außenbereichen zu schnell gescannt wird oder wenn LiDAR vorübergehend durch Staub oder Nebel beeinträchtigt sind. Um sowohl Drift als auch Slip zu minimieren, sollten Bediener gleichmäßige, kontrollierte Bewegungsgeschwindigkeiten beibehalten, sicherstellen, dass der Sensor ausreichende Umgebungsdetails erfasst, und wenn möglich Trajektorien planen, die natürliche Schleifen bilden.

SLAM hat die Art und Weise revolutioniert, wie autonome Systeme ihre Umgebung wahrnehmen und darin navigieren. Von den speziellen Funktionen SLAM Emesent SLAM zum vielfältigen Ökosystem alternativer Lösungen bieten moderne SLAM beispiellose Flexibilität und Leistung in den unterschiedlichsten Anwendungsbereichen. Das Verständnis des Unterschieds zwischen eingeschränkter und uneingeschränkter Genauigkeit hilft Anwendern dabei, geeignete Arbeitsabläufe für ihre Präzisionsanforderungen auszuwählen, während die Berücksichtigung von Umwelteinflüssen eine bessere Planung und zuverlässigere Ergebnisse ermöglicht. Mit dem weiteren Fortschritt der Technologie SLAM zweifellos in neue Anwendungsbereiche vordringen und die autonome Navigation in allen Umgebungen zunehmend zugänglicher und präziser machen.

Möchten Sie sehen, welche Ergebnisse Emesent SLAM ? Präzision, Geschwindigkeit, Vielseitigkeit – hier finden Sie alles.

Artikel von: 

• Ryan Palfrey, Senior-Produktmanager, Emesent
• Andrew Palmer, Leiter Softwareentwicklung – SLAM, Emesent