SLAM (robotica): differenze tra le versioni

Versione delle 16:17, 29 dic 2020

Versione attuale delle 00:31, 7 lug 2025

(4 versioni intermedie di 4 utenti non mostrate)

Riga 1:

{{W|ingegneria|luglio 2025}}

Nella geometria computazionale e nella robotica, la '''''localizzazione e mappatura simultanea''''' (''Simultaneous localization and mapping'', '''SLAM''') è il problema computazionale della costruzione o dell'aggiornamento di una mappa di un ambiente sconosciuto, tenendo contemporaneamente traccia della posizione di un agente al suo interno. Sebbene questo inizialmente sembri essere un problema ''uovo-e-gallina'', sono noti diversi algoritmi per risolverlo, almeno approssimativamente, in tempi trattabili per determinati ambienti. I metodi di soluzione approssimativa più diffusi includono il filtro antiparticolato, il filtro Kalman esteso, l'intersezione di covarianza e GraphSLAM. Gli algoritmi SLAM vengono utilizzati nella navigazione, nella mappatura robotica e nell'odometria per la realtà virtuale o la realtà aumentata. Gli algoritmi SLAM sono adattati alle risorse disponibili, quindi non mirati alla perfezione, ma alla conformità operativa. Gli approcci pubblicati sono impiegati in auto a guida autonoma, veicoli aerei senza pilota, veicoli subacquei autonomi, rover planetari, nuovi robot domestici e persino all'interno del corpo umano.

Nella [[geometria computazionale]] e nella robotica, la '''''localizzazione e mappatura simultanea''''' (''Simultaneous localization and mapping'', '''SLAM''') è il problema computazionale della costruzione o dell'aggiornamento di una mappa di un ambiente sconosciuto, tenendo contemporaneamente traccia della posizione di un agente al suo interno. Sebbene questo inizialmente sembri essere un problema ''uovo-e-gallina'', sonoSono noti diversi algoritmi per risolverlo, almeno approssimativamente, in tempi trattabili per determinati ambienti. I metodi di soluzione approssimativa più diffusi includono il filtro[[Particle antiparticolatoFilter]], il [[filtro Kalman esteso]], l'[[intersezione di covarianza]] e [[GraphSLAM. Gli algoritmi SLAM vengono utilizzati nella navigazione, nella mappatura robotica e nell'odometria per la realtà virtuale o la realtà aumentata. Gli algoritmi SLAM sono adattati alle risorse disponibili, quindi non mirati alla perfezione, ma alla conformità operativa. Gli approcci pubblicati sono impiegati in auto a guida autonoma, veicoli aerei senza pilota, veicoli subacquei autonomi, rover planetari, nuovi robot domestici e persino all'interno del corpo umano]].

Gli algoritmi SLAM vengono utilizzati nella navigazione, nella mappatura robotica e nell'[[odometria]] per la [[realtà virtuale]] o la [[realtà aumentata]]. Gli algoritmi SLAM sono adattati alle risorse disponibili, quindi non mirati alla perfezione, ma alla conformità operativa. Gli approcci pubblicati sono impiegati in [[auto a guida autonoma]], veicoli aerei senza pilota, veicoli subacquei autonomi, [[Rover (astronautica)|rover planetari]], nuovi robot domestici e persino all'interno del corpo umano.

== Descrizione matematica del problema ==

{{S sezione|informatica}}

Data una serie di controlli '''''u_t''''' e osservazioni del sensore '''''o_t''''' su fasi temporali discrete '''''t''''', il problema SLAM è calcolare ununa stima dello stato dell'agente '''''x_t''''' e una mappa dell'ambiente '''''m_t'''''. Tutte le quantità sono generalmente probabilistiche, quindi l'obiettivo è calcolare: ''P(m_t+1, x_t+1|o_1:t+1, u_1:t)''. L'applicazione della regola di Bayes fornisce una struttura per l'aggiornamento sequenziale delle posizioni posteriori, data una mappa e una funzione di transizione '''''P(x_t|x_t-1)'''''.

== Algoritmi ==

Le tecniche statistiche utilizzate per approssimare le equazioni di cui sopra includono filtri di Kalman e filtri di particelle (noti anche come metodi Monte Carlo). Forniscono una stima della [[funzione di probabilità]] a posteriori per la posa del robot e per i parametri della mappa. I metodi che approssimano in modo conservativo il modello di cui sopra utilizzando l'intersezione di covarianza sono in grado di evitare di fare affidamento su ipotesi di indipendenza statistica per ridurre la complessità algoritmica per applicazioni su larga scala. Altri metodi di approssimazione consentono di ottenere una migliore efficienza computazionale utilizzando semplici rappresentazioni dell'incertezza a regione delimitata. Le tecniche di appartenenza a gruppi si basano principalmente sulla propagazione dei vincoli di intervallo. Forniscono un set che racchiude la posa del robot e un'approssimazione set della mappa. La regolazione del pacchetto, e più in generale la '''''stima a posteriori massima''''' (''Maximum a posteriori estimation'', '''MAP'''), è un'altra tecnica popolare per SLAM che utilizza dati di immagine, che stima congiuntamente le pose e le posizioni dei punti di riferimento, aumentando la fedeltà della mappa, e viene utilizzata nei sistemi SLAM commercializzati come '''''Google ARCore''''' che ha sostituito il precedente progetto di realtà aumentata "''Tango''". Gli stimatori MAP calcolano la spiegazione più probabile delle pose del robot e della mappa dati i dati del sensore, piuttosto che cercare di stimare l'intera probabilità a posteriori. I nuovi algoritmi SLAM rimangono un'area di ricerca attiva e sono spesso guidati da requisiti e ipotesi diversi sui tipi di mappe, sensori e modelli come descritto di seguito. Molti sistemi SLAM possono essere visti come combinazioni di scelte da ciascuno di questi aspetti.

=== Mappatura ===