什么是SLAM？
2019-08-05 18:28
分享到微信
分享到微博
SLAM（即时定位与地图构建）是一种帮助机器人绘制地图，并导航它们行动的常用方法。
为了解决机器人导航问题，它们需要一些地图的帮助。
就像人类一样，机器人不能总是依赖GPS，尤其是当它们在室内运行时。况且，GPS在室外如果达不到几英寸的精度，机器人也不能安全地移动。
相反，它们能够依靠SLAM（simultaneous localization and mapping，即时定位与地图构建）来观察和绘制周围环境。
使用SLAM，机器人可以随时构建自己的地图。通过传感器数据校准来构建导航地图，它们可以了解自己的位置。
听起来很简单，但它实际上是一个多阶段过程，包括使用多种非常适合GPU并行处理能力的算法来校准传感器数据。
自20世纪80年代以来，SLAM有很多种形式。本文将重点介绍其在NVIDIA Isaac中的机器人应用。
传感器数据校准
计算机将机器人的位置视为地图或时间线上的时间戳（Timestamp）。
机器人不断地对周围的传感器数据进行瞬间采集。对于深度图像测量，每秒可拍摄多达90次图像。对于用作精确范围测量的激光雷达图像，每秒可拍摄20次。
当机器人移动时，这些数据点有助于测量它相较于其先前位置的距离，以及它在地图上的位置。
运动估测
此外，车轮里程计（odometry）将机器人车轮的旋转纳为考量，可以帮助测量它行驶的距离。惯性测量单元（inertial measurement units）还用于测量速度和加速度，作为追踪机器人位置的方法。
所有这些传感器流都被纳入在传感器融合（sensor fusion）中，以更好地估测机器人的移动方式。
依赖于序列蒙特卡罗方法的卡尔曼滤波算法和粒子滤波算法，可用于融合这些传感器输入。
传感器数据配准
传感器数据配准，或数据点之间的测量，可以在两次测量之间或测量和地图之间进行。
使用NVIDIA Isaac SDK，开发人员可以通过“扫描到地图匹配”（scan-to-map matching）来定位机器人。SDK中还有一个来自NVIDIA研究人员的算法，称为HGMM（Hierarchical Gaussian Mixture Model，层次高斯混合模型）。它可以校准从不同视角拍摄的两个点云（空间中的大量数据点）。
通过使用连续的传感器数据流和运动估计，贝叶斯滤波器可以用数学的方法解决机器人所在的位置。
用于实时计算的GPU
上述映射计算每秒发生20-100次，具体取决于算法。如果没有NVIDIA GPU的处理能力，这将无法实时执行。Jetson AGX Xavier是机器人技术的理想选择，它在紧凑的封装中提供32 teraops GPU工作站般的性能。
校准点云或深度图像的大规模数字运算任务可以在NVIDIA GPU上完成，比使用CPU快20倍。
Jetson Nano也能为创客们提供巨大的性能飞跃。
用于定位的视觉里程计
视觉里程计（Visual odometry）使用视频作为唯一输入，以此来恢复机器人的位置和方向。
NVIDIA Isaac支持立体视觉里程计（两个摄像头），可实时工作以帮助引导位置，每秒至少拍摄30帧。它可用于由我们紧凑型Jetson超级计算模块驱动的所有产品。
使用Isaac标准的立体视觉里程计功能，机器人开发人员可以准确计算出机器人的位置，并将其用于导航。
视觉里程计功能包含在我们的Jetson Nano 开发套件中。
Isaac在视觉里程计方面的未来发展将被整合进套件的功能中，并提升SLAM的水平。目前，SLAM用于检查机器人位置和方向的地图恢复，以消除由于不准确的视觉里程计结果而导致的导航错误。
用于定位的地图构建
地图可通过三种方法创建而成。
一种方法是在Jetson设备上运行映射算法，同时有人监督并手动驱动机器人。
第二种方法是让机器人上的Isaac应用程序，将数据流传输到工作站上运行映射算法的Isaac应用程序。
但是第三种推荐的方法是使用Isaac的便捷记录器小部件，将激光雷达扫描和里程计数据记录到文件中。这样，映射可以使用logmapping应用程序离线完成。该方法允许调整用于优化地图的映射算法的参数，而无需重复驱动机器人。
为了创建定位和导航的地图，2019.1版本的NVIDIA Isaac SDK支持并使用OpenSlam的Gmapping和Google的Cartographer算法。
Isaac的模块化，使用户能够集成他们选择的其他第三方库，或插入他们自己的工具。Isaac将使用激光雷达或深度相机获得的2D范围扫描数据提供给这些映射算法。Isaac还提供使用车轮速度、惯性测量单位数据和计算机视觉计算的里程计信息。
占用网格（用于激光雷达的SLAM）
当机器人使用激光雷达或摄像头感知周围环境时，Isaac会创建一个机器人环境的占用网格图（occupancy grid map），其分辨率由用户决定。无论地图中的每个单元是否被阻挡，该2D“本地地图”均可提供信息，以便机器人可以相应地规划其导航路径。
Isaac构造的良好占用网格，是在Isaac导航堆栈中快速、自然和可靠避障的关键。
为了解决机器人导航问题，它们需要一些地图的帮助。
就像人类一样，机器人不能总是依赖GPS，尤其是当它们在室内运行时。况且，GPS在室外如果达不到几英寸的精度，机器人也不能安全地移动。
相反，它们能够依靠SLAM（simultaneous localization and mapping，即时定位与地图构建）来观察和绘制周围环境。
使用SLAM，机器人可以随时构建自己的地图。通过传感器数据校准来构建导航地图，它们可以了解自己的位置。
听起来很简单，但它实际上是一个多阶段过程，包括使用多种非常适合GPU并行处理能力的算法来校准传感器数据。
自20世纪80年代以来，SLAM有很多种形式。本文将重点介绍其在NVIDIA Isaac中的机器人应用。
传感器数据校准
计算机将机器人的位置视为地图或时间线上的时间戳（Timestamp）。
机器人不断地对周围的传感器数据进行瞬间采集。对于深度图像测量，每秒可拍摄多达90次图像。对于用作精确范围测量的激光雷达图像，每秒可拍摄20次。
当机器人移动时，这些数据点有助于测量它相较于其先前位置的距离，以及它在地图上的位置。
运动估测
此外，车轮里程计（odometry）将机器人车轮的旋转纳为考量，可以帮助测量它行驶的距离。惯性测量单元（inertial measurement units）还用于测量速度和加速度，作为追踪机器人位置的方法。
所有这些传感器流都被纳入在传感器融合（sensor fusion）中，以更好地估测机器人的移动方式。
依赖于序列蒙特卡罗方法的卡尔曼滤波算法和粒子滤波算法，可用于融合这些传感器输入。
传感器数据配准
传感器数据配准，或数据点之间的测量，可以在两次测量之间或测量和地图之间进行。
使用NVIDIA Isaac SDK，开发人员可以通过“扫描到地图匹配”（scan-to-map matching）来定位机器人。SDK中还有一个来自NVIDIA研究人员的算法，称为HGMM（Hierarchical Gaussian Mixture Model，层次高斯混合模型）。它可以校准从不同视角拍摄的两个点云（空间中的大量数据点）。
通过使用连续的传感器数据流和运动估计，贝叶斯滤波器可以用数学的方法解决机器人所在的位置。
用于实时计算的GPU
上述映射计算每秒发生20-100次，具体取决于算法。如果没有NVIDIA GPU的处理能力，这将无法实时执行。Jetson AGX Xavier是机器人技术的理想选择，它在紧凑的封装中提供32 teraops GPU工作站般的性能。
校准点云或深度图像的大规模数字运算任务可以在NVIDIA GPU上完成，比使用CPU快20倍。
Jetson Nano也能为创客们提供巨大的性能飞跃。
用于定位的视觉里程计
视觉里程计（Visual odometry）使用视频作为唯一输入，以此来恢复机器人的位置和方向。
NVIDIA Isaac支持立体视觉里程计（两个摄像头），可实时工作以帮助引导位置，每秒至少拍摄30帧。它可用于由我们紧凑型Jetson超级计算模块驱动的所有产品。
使用Isaac标准的立体视觉里程计功能，机器人开发人员可以准确计算出机器人的位置，并将其用于导航。
视觉里程计功能包含在我们的Jetson Nano 开发套件中。
Isaac在视觉里程计方面的未来发展将被整合进套件的功能中，并提升SLAM的水平。目前，SLAM用于检查机器人位置和方向的地图恢复，以消除由于不准确的视觉里程计结果而导致的导航错误。
用于定位的地图构建
地图可通过三种方法创建而成。
一种方法是在Jetson设备上运行映射算法，同时有人监督并手动驱动机器人。
第二种方法是让机器人上的Isaac应用程序，将数据流传输到工作站上运行映射算法的Isaac应用程序。
但是第三种推荐的方法是使用Isaac的便捷记录器小部件，将激光雷达扫描和里程计数据记录到文件中。这样，映射可以使用logmapping应用程序离线完成。该方法允许调整用于优化地图的映射算法的参数，而无需重复驱动机器人。
为了创建定位和导航的地图，2019.1版本的NVIDIA Isaac SDK支持并使用OpenSlam的Gmapping和Google的Cartographer算法。
Isaac的模块化，使用户能够集成他们选择的其他第三方库，或插入他们自己的工具。Isaac将使用激光雷达或深度相机获得的2D范围扫描数据提供给这些映射算法。Isaac还提供使用车轮速度、惯性测量单位数据和计算机视觉计算的里程计信息。
占用网格（用于激光雷达的SLAM）
当机器人使用激光雷达或摄像头感知周围环境时，Isaac会创建一个机器人环境的占用网格图（occupancy grid map），其分辨率由用户决定。无论地图中的每个单元是否被阻挡，该2D“本地地图”均可提供信息，以便机器人可以相应地规划其导航路径。
Isaac构造的良好占用网格，是在Isaac导航堆栈中快速、自然和可靠避障的关键。
