En el mundo en rápida evolución de la robótica, los vehículos autónomos y la tecnología de topografía, SLAM localización y mapeo simultáneos) se ha convertido en una tecnología fundamental que permite a las máquinas navegar y comprender su entorno. Ya sea un robot aspirador que limpia su hogar o un dron que mapea una mina compleja, SLAM trabaja entre bastidores para comprender dónde se encuentra, qué hay en el entorno y hacia dónde dirigirse a continuación.

¿Qué es SLAM?

SLAM resuelve un problema del huevo y la gallina que durante mucho tiempo ha supuesto un reto para la robótica y los sistemas autónomos: ¿cómo puede un dispositivo crear un mapa de un entorno desconocido y, al mismo tiempo, determinar su propia ubicación dentro de ese entorno? La navegación tradicional requiere mapas preexistentes o puntos de referencia externos, como los satélites GPS. SLAM estas dependencias, lo que permite a los dispositivos funcionar de forma independiente en entornos sin GPS, como minas subterráneas, bosques densos o espacios interiores.

La tecnología funciona mediante el uso de sensores, normalmente LiDAR detección y medición de distancias por luz) o cámaras, para recopilar datos sobre el movimiento del sistema y el entorno circundante. A continuación, unos algoritmos avanzados procesan estos datos en tiempo real, construyendo un mapa mientras calculan la posición y la trayectoria del dispositivo en el espacio.

Tipos de SLAM

El panorama SLAM se ha diversificado significativamente en los últimos años, con diversas soluciones comerciales y de código abierto adaptadas a diferentes aplicaciones y entornos.

Emesent SLAM

SLAM Emesent, creado a partir de Wildcat y desarrollado para satisfacer las necesidades de los usuarios en cuanto a una mayor precisión, representa la vanguardia de SLAM comercial, diseñada específicamente para entornos subterráneos difíciles y sin cobertura GPS. El algoritmo Wildcat se desarrollado en un laboratorio CSIRO y se convirtió en una empresa emergente, Emesent, donde los cofundadores Stefan Hrabar Farid Kendoul impulsando la innovación. Este sistema integra una sofisticada fusión de sensores, combinando LiDAR con mediciones inerciales para lograr una precisión excepcional incluso en las condiciones más exigentes. Emesent SLAM en aplicaciones mineras, topografía de túneles y cartografía de espacios confinados, donde los métodos de topografía tradicionales resultan poco prácticos o peligrosos. Los robustos algoritmos del sistema pueden manejar entornos dinámicos, polvo y mala visibilidad, condiciones que comprometerían SLAM menos avanzadas.

Otras SLAM destacadas

Más allá EmesentWildcat SLAM Emesent, el SLAM incluye numerosas alternativas. Además de las opciones B2C, existen alternativas comerciales como la serie ZEB de GeoSLAM y los sistemas NavVis, que se adaptan a diferentes segmentos del mercado, desde la documentación del patrimonio hasta la gestión de instalaciones. Cada sistema presenta ventajas e inconvenientes en cuanto a precisión, requisitos de potencia de procesamiento, coste e idoneidad para entornos específicos.

La distinción entre hardware y software en SLAM

Es importante distinguir entre el LiDAR en sí mismo —a menudo denominado «disco» debido a su forma cilíndrica compacta— y el SLAM que procesa sus datos. LiDAR es simplemente el componente de hardware que emite pulsos láser y mide su tiempo de retorno para calcular distancias, produciendo datos brutos de nube de puntos. SLAM es la sofisticada capa de software que transforma estos datos brutos en inteligencia procesable: creando mapas coherentes, rastreando posiciones, corrigiendo desviaciones y permitiendo la navegación autónoma.

Muchos fabricantes suelen utilizar LiDAR idénticos o similares en sus sistemas. Por ejemplo, los sensores Velodyne u Ouster aparecen en numerosas SLAM . Sin embargo, dos sistemas que utilizan el mismo LiDAR pueden producir resultados muy diferentes en función de sus SLAM . La diferencia radica en cómo el software de cada fabricante gestiona la fusión de sensores, procesa los datos de la nube de puntos, detecta los cierres de bucle, gestiona los errores acumulados y filtra el ruido. Algunos fabricantes incluso utilizan LiDAR giratorios para lograr una mayor cobertura o redundancia. Esto significa que, a la hora de evaluar SLAM , la calidad y la sofisticación del software son tan importantes como el hardware del sensor subyacente, si no más.

Medición de SLAM

Para comprender SLAM es necesario examinar cómo se evalúan los sistemas y qué factores influyen en su rendimiento.

Precisión sin restricciones

SLAM sin restricciones se refiere al rendimiento del sistema sin puntos de referencia externos ni correcciones. Representa el rendimiento «bruto» del SLAM , ya que funciona de forma independiente. En el modo sin restricciones, un SLAM puede acumular desviaciones en largas distancias o períodos de funcionamiento prolongados: los pequeños errores de posicionamiento pueden acumularse con el tiempo y provocar una distorsión gradual del mapa. Los sistemas de alta calidad, como SLAM Emesent, SLAM esta deriva mediante la fusión avanzada de sensores y la detección de cierre de bucle, que reconoce cuándo el dispositivo ha vuelto a una ubicación previamente cartografiada y corrige los errores acumulados.

La precisión sin restricciones es crucial para aplicaciones en las que no existen datos de referencia, como la exploración de cuevas sin cartografiar o la respuesta de emergencia en zonas de desastre. SLAM comerciales modernos pueden alcanzar precisiones sin restricciones que van desde un centímetro hasta varios metros, dependiendo del entorno y la distancia recorrida.

Precisión limitada

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.

Los factores ambientales influyen significativamente en SLAM y fiabilidad SLAM , por lo que los operadores deben comprender cómo afectan las condiciones al rendimiento del sistema.

Ambientes interiores

Los espacios interiores suelen ser fáciles para SLAM y se pueden medir con gran precisión, aunque con algunos retos potenciales. Los entornos estructurados con paredes, puertas y muebles proporcionan abundantes características geométricas que SLAM LiDAR SLAM identificar y rastrear fácilmente, lo que aumenta la estimación SLAMla posición SLAMy, por lo tanto, su precisión. Sin embargo, pasar rápidamente por zonas interiores estrechas, transiciones como puertas o «entornos repetidos» como pasillos largos y estrechos puede ser más complicado, lo que hace SLAM su posición. Las superficies reflectantes, como las paredes de cristal o los espejos, también pueden introducir lecturas falsas.

Espacios subterráneos y confinados

Los entornos subterráneos (minas, túneles, cuevas) representan algunas de las condiciones más difíciles para SLAM , y es precisamente por eso que sistemas como Emesent SLAM desarrollaron específicamente para estas aplicaciones. El polvo, la humedad y la escasa visibilidad ponen a prueba el rendimiento de los sensores, mientras que las estructuras repetitivas de los túneles, carentes de características distintivas, suponen un reto para los algoritmos de cierre de bucle. La ausencia de GPS requiere una dependencia total de las capacidades autónomas SLAM . A pesar de estos retos, SLAM avanzados alcanzan una precisión notable bajo tierra, manteniendo normalmente una precisión de centímetros gracias a una sofisticada fusión de sensores y a robustos enfoques algorítmicos.

¿Cómo se crea SLAM funcione en cualquier lugar?

Entornos al aire libre

Los entornos exteriores suponen un reto para la mayoría SLAM . Hay muchas menos características que SLAM identificar y rastrear, lo que dificulta la obtención de resultados de alta precisión. Los entornos a cielo abierto permiten la integración con RTK para obtener una precisión limitada y una georreferenciación automática, lo que puede mejorar el rendimiento si el algoritmo optimiza correctamente tanto los datos SLAM los RTK. Introducir la velocidad en la ecuación, por ejemplo, al realizar un escaneo de un vehículo, puede dificultar aún más SLAM preciso SLAM las características del entorno SLAM . Los entornos exteriores son una especialidad particular de Emesent SLAM, ya que se desarrolló para entornos difíciles, desconocidos e inaccesibles con los que otros SLAM tienen dificultades.

Entornos dinámicos frente a entornos estáticos

La presencia de objetos en movimiento afecta fundamentalmente SLAM . Los entornos estáticos permiten a los sistemas crear mapas coherentes y estables, mientras que los entornos dinámicos con peatones, vehículos o maquinaria requieren algoritmos que puedan distinguir las características permanentes de los obstáculos temporales. SLAM avanzados incorporan filtrado de objetos y seguimiento dinámico para manejar estas situaciones, aunque la precisión puede disminuir ligeramente en entornos muy dinámicos. En general, SLAM bien en entornos dinámicos siempre que pueda ver y rastrear suficientes objetos estáticos para comprender el entorno. Situaciones a tener en cuenta: por ejemplo, cuando SLAM centra en un camión en movimiento, mientras SLAM montado en un vehículo, SLAM rastrear esta característica y confundirse. Del mismo modo, los ascensores son la kriptonita SLAMy los usuarios deben tenerlo en cuenta. 

 Guía de mejores prácticas para el escaneo en entornos difíciles

Comprender la deriva y el deslizamiento en SLAM

La deriva es la acumulación gradual de pequeños errores de posicionamiento a lo largo del tiempo, ya que un SLAM funciona sin puntos de referencia externos. Imagínese caminando por un edificio mientras cuenta sus pasos: cada pequeño error de cálculo se acumula y, cuando haya caminado 100 metros, podría pensar que se encuentra a varios metros de su posición real. En SLAM , esto ocurre cuando se acumulan pequeños errores de medición de los sensores durante el procesamiento, lo que provoca que el mapa se distorsione lentamente con respecto a su geometría real. SLAM de alta calidad minimizan la deriva mediante la detección de cierre de bucles (reconociendo cuándo ha vuelto a una zona previamente cartografiada y corrigiendo los errores acumulados) y sofisticadas técnicas de fusión de sensores. Sin embargo, en grandes espacios abiertos o entornos largos sin características distintivas, es inevitable que se produzca cierta deriva en SLAM sin restricciones.

El deslizamiento presenta un desafío diferente: se produce cuando el SLAM pierde temporalmente el seguimiento de su posición, normalmente debido a un movimiento rápido, a la ausencia total de características ambientales o a las limitaciones del sensor. Mientras que la deriva es gradual, el deslizamiento es repentino: el sistema básicamente «salta» y debe reorientarse, lo que puede crear discontinuidades o saltos en el mapa resultante. El deslizamiento suele producirse durante movimientos rápidos a través de pasillos sin características distintivas, cuando se escanea demasiado rápido en entornos exteriores escasos o cuando LiDAR se ven temporalmente comprometidos por el polvo o la niebla. Para minimizar tanto la deriva como el deslizamiento, los operadores deben mantener velocidades de movimiento constantes y controladas, asegurarse de que el sensor capta suficientes detalles del entorno y planificar trayectorias que creen bucles naturales siempre que sea posible.

SLAM ha revolucionado la forma en que los sistemas autónomos perciben y navegan por sus entornos. Desde las capacidades especializadas SLAM Emesent SLAM el diverso ecosistema de soluciones alternativas, SLAM modernos ofrecen una flexibilidad y un rendimiento sin precedentes en diversas aplicaciones. Comprender la diferencia entre la precisión con restricciones y sin restricciones ayuda a los usuarios a seleccionar los flujos de trabajo adecuados para sus requisitos de precisión, mientras que reconocer las influencias ambientales permite una mejor planificación y resultados más fiables. A medida que la tecnología siga avanzando, SLAM sin duda a nuevas aplicaciones, haciendo que la navegación autónoma sea cada vez más accesible y precisa en todos los entornos.

¿Quieres ver los resultadosSLAM Emesent SLAM ? Precisión, velocidad, versatilidad: aquí lo tienes todo.

Artículo por: 

• Ryan Palfrey, director sénior de Producto, Emesent
• Andrew Palmer, jefe de ingeniería de software - SLAM, Emesent