No mundo em rápida evolução da robótica, veículos autónomos e tecnologia de levantamento topográfico, SLAM Simultaneous Localization and Mapping, ou Localização e Mapeamento Simultâneos) surgiu como uma tecnologia fundamental que permite às máquinas navegar e compreender o ambiente à sua volta. Seja um robô aspirador a limpar a sua casa ou um drone a mapear uma mina complexa, SLAM está a trabalhar nos bastidores para compreender onde está, o que existe no ambiente e para onde deve ir a seguir.

O que é SLAM?

SLAM resolve um problema do tipo «o ovo ou a galinha» que há muito desafia a robótica e os sistemas autónomos: como pode um dispositivo criar um mapa de um ambiente desconhecido e, simultaneamente, determinar a sua própria localização dentro desse ambiente? A navegação tradicional requer mapas pré-existentes ou pontos de referência externos, como satélites GPS. SLAM essas dependências, permitindo que os dispositivos operem de forma independente em ambientes sem GPS, como minas subterrâneas, florestas densas ou espaços interiores.

A tecnologia funciona utilizando sensores - normalmente LiDAR Light Detection and Ranging) ou câmaras para recolher dados sobre o movimento do sistema e o ambiente circundante. Algoritmos avançados processam esses dados em tempo real, construindo um mapa enquanto calculam a posição e a trajetória do dispositivo no espaço.

Tipos de SLAM

O panorama SLAM diversificou-se significativamente nos últimos anos, com várias soluções comerciais e de código aberto adaptadas a diferentes aplicações e ambientes.

Emesent SLAM

SLAM Emesent — desenvolvido a partir do Wildcat e aperfeiçoado para atender às necessidades dos utilizadores por maior precisão — representa SLAM comercial de ponta, projetada especificamente para ambientes subterrâneos desafiadores e sem cobertura de GPS. O algoritmo Wildcat foi desenvolvido num laboratório CSIRO e transformado numa empresa start-up - Emesent, onde os cofundadores Stefan Hrabar Farid Kendoul a impulsionar a inovação. Este sistema integra uma sofisticada fusão de sensores, combinando LiDAR com medições inerciais para alcançar uma precisão excecional, mesmo nas condições mais exigentes. Emesent SLAM em aplicações de mineração, levantamento de túneis e mapeamento de espaços confinados, onde os métodos tradicionais de levantamento se revelam impraticáveis ou perigosos. Os algoritmos robustos do sistema podem lidar com ambientes dinâmicos, poeira e pouca visibilidade - condições que comprometeriam SLAM menos avançadas.

Outras SLAM notáveis

Além EmesentWildcat SLAM Emesent, o SLAM inclui inúmeras alternativas. Além das opções B2C, alternativas comerciais como a série ZEB da GeoSLAM e os sistemas NavVis atendem a diferentes segmentos de mercado, desde documentação patrimonial até gestão de instalações. Cada sistema apresenta compromissos entre precisão, requisitos de poder de processamento, custo e adequação a ambientes específicos.

A distinção entre hardware e software nos SLAM

É importante distinguir entre o LiDAR propriamente dito — frequentemente chamado de «puck» devido ao seu formato cilíndrico compacto — e o SLAM que processa os seus dados. LiDAR é simplesmente o componente de hardware que emite pulsos de laser e mede o seu tempo de retorno para calcular distâncias, produzindo dados brutos de nuvem de pontos. SLAM é a camada de software sofisticada que transforma esses dados brutos em inteligência acionável: construindo mapas coerentes, rastreando posições, corrigindo desvios e permitindo a navegação autónoma.

Vários fabricantes costumam usar LiDAR idênticos ou semelhantes nos seus sistemas. Por exemplo, os sensores Velodyne ou Ouster aparecem em várias SLAM . No entanto, dois sistemas que usam o mesmo LiDAR podem produzir resultados muito diferentes, dependendo dos seus SLAM . A diferença está na forma como o software de cada fabricante lida com a fusão de sensores, processa os dados da nuvem de pontos, detecta fechamentos de loop, gerencia erros acumulados e filtra ruídos. Alguns fabricantes utilizam até LiDAR rotativos para obter maior cobertura ou redundância. Isto significa que, ao avaliar SLAM , a qualidade e sofisticação do software são tão importantes quanto — se não mais — o hardware do sensor subjacente.

Medindo SLAM

Para compreender SLAM , é necessário examinar como os sistemas são avaliados e quais fatores influenciam o seu desempenho.

Precisão sem restrições

SLAM sem restrições refere-se ao desempenho do sistema sem pontos de referência externos ou correções. Isso representa o desempenho «bruto» do SLAM , uma vez que opera de forma independente. No modo sem restrições, um SLAM pode acumular desvios em longas distâncias ou períodos de operação prolongados — pequenos erros de posicionamento podem se acumular ao longo do tempo, causando uma distorção gradual do mapa. Sistemas de alta qualidade, como SLAM Emesent, SLAM esse desvio por meio de fusão avançada de sensores e deteção de fechamento de loop, que reconhece quando o dispositivo retornou a um local mapeado anteriormente e corrige os erros acumulados.

A precisão sem restrições é crucial para aplicações onde não existem dados reais, como a exploração de cavernas não mapeadas anteriormente ou a resposta a emergências em zonas de desastre. SLAM modernos SLAM comerciais podem atingir precisões sem restrições que variam de um centímetro a vários metros, dependendo do ambiente e da distância percorrida.

Precisão 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.

Os fatores ambientais influenciam significativamente SLAM e a confiabilidade SLAM , exigindo que os operadores compreendam como as condições afetam o desempenho do sistema.

Ambientes interiores

Os espaços interiores são geralmente fáceis para SLAM e podem ser medidos com alta precisão, embora com alguns desafios potenciais. Ambientes estruturados com paredes, portas e móveis oferecem características geométricas abundantes que SLAM LiDAR SLAM identificar e rastrear facilmente, aumentando a estimativa de posição SLAMe, portanto, a precisão. No entanto, passar rapidamente por áreas internas apertadas, transições como portas ou "ambientes repetidos", como corredores longos e estreitos, pode ser mais desafiador, fazendo SLAM a sua posição. Superfícies refletivas, como paredes de vidro ou espelhos, também podem introduzir leituras falsas.

Espaços subterrâneos e confinados

Ambientes subterrâneos — minas, túneis, cavernas — representam algumas das condições mais desafiadoras para SLAM , e é exatamente por isso que sistemas como Emesent SLAM desenvolvidos especificamente para essas aplicações. Pó, humidade e visibilidade reduzida testam o desempenho dos sensores, enquanto estruturas repetitivas de túneis sem características distintivas desafiam os algoritmos de fechamento de loop. A ausência de GPS exige confiança total nas capacidades autónomas SLAM . Apesar desses desafios, SLAM avançados alcançam uma precisão notável no subsolo, mantendo normalmente uma precisão de nível centimétrico por meio de fusão sofisticada de sensores e abordagens algorítmicas robustas.

Como criar SLAM funcione em qualquer lugar?

Ambientes exteriores

Os ambientes exteriores são desafiantes para a maioria SLAM . Existem substancialmente menos características para SLAM e rastrear, tornando difícil alcançar resultados de alta precisão. Os ambientes a céu aberto permitem a integração com RTK para precisão restrita e georreferenciamento automático, o que pode melhorar o desempenho se o algoritmo otimizar corretamente os dados SLAM RTK. Introduzir velocidade na equação — por exemplo, ao realizar uma varredura de veículo — pode tornar ainda mais difícil para SLAM recursos no ambiente com precisão. Ambientes externos são uma especialidade particular do Emesent SLAM, pois ele foi desenvolvido para ambientes desafiadores, desconhecidos e inacessíveis com os quais outros SLAM têm dificuldade.

Ambientes dinâmicos vs. estáticos

A presença de objetos em movimento afeta fundamentalmente SLAM . Ambientes estáticos permitem que os sistemas criem mapas consistentes e estáveis, enquanto ambientes dinâmicos com pedestres, veículos ou máquinas exigem algoritmos que possam distinguir características permanentes de obstáculos temporários. SLAM avançados incorporam filtragem de objetos e rastreamento dinâmico para lidar com essas situações, embora a precisão possa diminuir ligeiramente em configurações altamente dinâmicas. Geralmente, SLAM bem em ambientes dinâmicos, desde que consiga ver e rastrear objetos estáticos suficientes para compreender o ambiente. Situações a ter em conta - como quando SLAM estar focado num camião em movimento, enquanto está montado num veículo, SLAM rastrear essa característica e ficar confuso. Da mesma forma, os elevadores são a kryptonita SLAMe os utilizadores devem levar isso em consideração. 

 Guia de melhores práticas para digitalização em ambientes desafiadores

Compreendendo o desvio e o deslizamento no SLAM

O desvio é o acúmulo gradual de pequenos erros de posicionamento ao longo do tempo, à medida que um SLAM opera sem pontos de referência externos. Imagine caminhar por um edifício enquanto conta os seus passos — cada pequeno erro de cálculo se acumula e, quando tiver caminhado 100 metros, poderá pensar que está a vários metros da sua posição real. Nos SLAM , isso acontece à medida que pequenos erros de medição do sensor se acumulam durante o processamento, fazendo com que o mapa se distorça lentamente da sua geometria real. SLAM de alta qualidade minimizam o desvio através da deteção de fechamento de loop (reconhecendo quando regressou a uma área mapeada anteriormente e corrigindo os erros acumulados) e técnicas sofisticadas de fusão de sensores. No entanto, em grandes espaços abertos ou ambientes longos sem características distintivas, algum desvio é inevitável em SLAM sem restrições.

O deslizamento apresenta um desafio diferente - ocorre quando o SLAM perde temporariamente o rastreamento da sua posição, geralmente devido a movimentos rápidos, falta total de características ambientais ou limitações do sensor. Enquanto o desvio é gradual, o deslizamento é repentino: o sistema essencialmente «salta» e precisa se reorientar, o que pode criar descontinuidades ou saltos no mapa resultante. O deslizamento geralmente ocorre durante movimentos rápidos por corredores sem características, ao fazer a varredura muito rapidamente em ambientes externos esparsos ou quando LiDAR são temporariamente comprometidos por poeira ou neblina. Para minimizar o desvio e o deslizamento, os operadores devem manter velocidades de movimento estáveis e controladas, garantir que o sensor capture detalhes ambientais suficientes e planejar trajetórias que criem loops naturais, quando possível.

SLAM revolucionou a forma como os sistemas autónomos percebem e navegam nos seus ambientes. Desde as capacidades especializadas do SLAM Emesent SLAM ao ecossistema diversificado de soluções alternativas, SLAM modernos oferecem flexibilidade e desempenho sem precedentes em várias aplicações. Compreender a diferença entre precisão restrita e irrestrita ajuda os utilizadores a selecionar fluxos de trabalho adequados às suas necessidades de precisão, enquanto reconhecer as influências ambientais permite um melhor planeamento e resultados mais fiáveis. À medida que a tecnologia continua a avançar, SLAM , sem dúvida, expandir-se para novas aplicações, tornando a navegação autónoma cada vez mais acessível e precisa em todos os ambientes.

Quer ver os resultados que Emesent SLAM ? Precisão, velocidade, versatilidade - está tudo aqui.

Artigo por: 

• Ryan Palfrey, Gestor de Produto Sénior, Emesent
• Andrew Palmer, Líder de Engenharia de Software - SLAM, Emesent