През 70-те години технологията LiDAR започва да се използва в други области , включително геология , археология и картография . Първата потребителска LiDAR система е разработена през 1972 г . от шведската компания Optech . През 80-те се развиват въздушни LiDAR системи , които се използват за създаване на 3D карти на земната повърхност . През 90-те LiDAR започва да се използва в разработката на автономни превозни средства . Първото автономно превозно средство , базирано на LiDAR , е разработено от DARPA през 1994 г . [ 3 ]. От началото на новото хилядолетие LiDAR продължава да се използва в широк спектър от приложения , включително горско стопанство , картиране на крайбрежни линии и реагиране при бедствия . Първата LiDAR система , използвана в спътник , изстрелян от NASA през 2003 г . е ICESat ( Ice , Cloud and land Elevation Satellite ). Името му показва за какво са използвани данните от лидарната система – следене на метеорологични явления и построяване на 3D модел на земната повърхност .
Интегрирането на SLAM алгоритми в лидарното заснемане преодолява едно от най-големите ограничения на технологията – многобройните статични станционирания , нужни за цялостно заснемане на зоната на интерес . Този синтез е от решаващо значение за успеха на автономните системи в сложни и динамични среди . Заедно LiDAR и SLAM дават възможност на машините да възприемат и навигират света с безпрецедентна точност , проправяйки пътя за по-безопасно и по-ефективно геодезическо заснемане .
2 . СЪЩНОСТ НА SLAM
Областта на едновременното локализиране и картографиране е обширна – в продължение на десетилетия изследователите признават SLAM като фундаментална предпоставка за надеждна и работоспособна автономна роботика , и създават много теории и системи за нейното решаване . В резултат на тях , днес съществуват мобилни сканиращи устройства , които са способни да създават високоточни облаци от точки с пренебрежими стойности на отместването ( т . нар . drift ) и милиметрови точности на подробните точки . Системите , базирани на SLAM , са мобилни по своята същност – те са най-ефективни , когато се използват в движение . Те отстраняват нуждата от сканиране от множество статични положения . Системите за мобилно картографиране , базирани на SLAM , съкращават времето за сканиране и могат да бъдат над 10 пъти по-бързи при събирането на данни [ 6 ], [ 7 ].
В много SLAM решения софтуерът за регистриране и обработка на високоточни индивидуални измервания води до натрупване на шум и сгрешени резултати . С течение на времето измереното движение започва да се разминава с истинското движение , известно като " грешка от отместването ". Визуален пример е наблюдаването на леко огъване в дълги коридори , които всъщност са прави [ 7 ].
2.1 . Видове SLAM алгоритми
По същество SLAM е комбинация от алгоритми , които са развиват от множество организации . Характера на технологията предполага широкия спектър на приложение , като в зависимост от специфичните изисквания на приложението и наличните данни от сензорите , се прилагат различни техники . По-надолу са разгледани найизползваните видове алгоритми , свързани с геодезически приложения .
2.1.1 . Visual SLAM
Както подсказва името , визуалният SLAM ( или vSLAM ) използва изображения , получени от камери и други сензори за изображения . Визуалният SLAM може да използва обикновени камери ( широкоъгълни , с рибешко око , сферични ), камери със сложни очи ( стерео и мулти ) и RGB-D камери ( за дълбочина ). Визуалният SLAM може да се реализира с относително евтини камери . Освен това , тъй като камерите предоставят голям обем информация , те могат да се използват за откриване на ориентири ( предварително измерени контролни позиции ) [ 8 ].
Моноокулярен SLAM използва една камера като единствен сензор , което затруднява определянето на разстоянието между сензора и обекта . Това може да бъде решено или чрез сканиране на AR маркери и шахматни дъски , или други известни обекти в изображението за локализиране , или чрез сливане на информацията от камерата с друг сензор , като например инерционни измервателни устройства ( IMU ), които могат да измерват физически величини като скорост и ориентация . Технологиите , свързани с vSLAM , включват структура от движение ( SfM ), визуална одометрия и регулиране на снопове . Визуалните SLAM алгоритми могат да бъдат класифицирани в две категории . Методите с рядка структура съпоставят характерните точки на изображенията и използват алгоритми като PTAM и ORB- SLAM . Плътните методи използват общата яркост на изображенията и използват алгоритми като DTAM , LSD- SLAM , DSO и SVO [ 8 ], [ 9 ].
2.1.2 . LiDAR SLAM
В сравнение с камерите , лазерите са значително попрецизни и се използват за приложения с високоскоростни движещи се превозни средства , като например самоуправляващи се автомобили и дронове . Изходните стойности от лазерните сензори обикновено са 2D ( x , y ) или 3D ( x , y , z ) данни от облак от точки . Облакът от точки от лазерните сензори осигурява високоточни дистанционни измервания и работи много ефективно за изграждане на карти със SLAM . Обикновено движението се оценява последователно чрез съпоставяне на облаците от точки . Изчисленото движение ( изминато разстояние ) се използва за локализиране на превозното средство . За съвпадение на облака от точки на лидара се използват алгоритми за регистрация , като например итеративните алгоритми за най-близка точка ( ICP ) и алгоритмите за трансформация на нормалните разпределения ( NDT ) [ 9 ].
От друга страна , облаците от точки не са толкова фино детайлизирани като тези , произлезли от vSLAM , по отношение на плътността , и не винаги предоставят достатъчно характеристики за съпоставяне . Например на места , където има малко препятствия , е трудно да се подравнят облаците от точки и това може да доведе до загуба на информация за местоположението на устройството . Освен това съпоставянето на облаци от точки обикновено изисква голяма изчислителна мощност , така че е необходимо да се оптимизират процесите , за да се подобри скоростта . Поради тези предизвикателства локализирането за автономни превозни средства и други сравнително бързо движещи се скенери може да включва сливане на други резултати от измервания , като например одометрия на колелата , данни от ГНСС и жиростабилизатора ( IMU ). За приложения , като например складови роботи , обикновено се използва 2D лидарна SLAM , докато SLAM , използваща 3D лидарни облаци от
22 ГКЗ 1-2 ’ 2024