الكشف عن تقنية SLAM: مفتاح الحفاظ على الروبوتات من الضياع

مقدمة: التقنيات الرئيسية لتمكين الآلات من امتلاك "الوعي المكاني"

في مجالات مثل القيادة الذاتية, الروبوتاتوالطائرات بدون طيار، والواقع المعزز/الواقع الافتراضي، وأجهزة التنظيف الذكية، هناك تقنية واحدة منتشرة في كل مكان تقريبًا - وهي تقنية التعريب المتزامن ورسم الخرائط.

إن مهمتها الأساسية بسيطة ولكنها صعبة للغاية: تمكين الآلات من تحديد مواقعها ورسم خرائط لمحيطها في بيئات غير معروفة في نفس الوقت.

في حين كان البشر يعتمدون في السابق على الخرائط والمعالم لتحديد الموقع، فإن نظام "الوصول إلى الهدف" يمكّن الآلات من تعلم كيفية "العثور على طريقها" و"تذكر الطريق". وهي بمثابة نقطة الانطلاق لأنظمة الإدراك وأساس اتخاذ القرار والتحكم. فبدون الوصول إلى الهدف الدقيق، حتى خوارزميات الذكاء الاصطناعي الأكثر تقدماً ستكون "ضائعة".

للوفاء بهذه المهمة الأساسية، يجب أن تتغلب تقنية SLAM على العديد من التحديات المعقدة. في البيئات غير المألوفة، تواجه الآلات العديد من أوجه عدم اليقين، مثل التغيرات الديناميكية في الأجسام وأخطاء بيانات المستشعرات. ولمعالجة هذه المشكلات، عادةً ما تدمج أنظمة SLAM أجهزة استشعار متعددة، بما في ذلك الليدار والكاميرات ووحدات القياس بالقصور الذاتي (IMUs). يقيس نظام الليدار بدقة المسافات إلى الأجسام المحيطة، مما يوفر بيانات سحابية ثلاثية الأبعاد عالية الدقة لمساعدة الآلات على بناء نماذج هندسية للبيئة. تلتقط الكاميرات معلومات بصرية غنية، وتحدد الملامح والأنسجة داخل البيئة لتقديم أدلة إضافية لتحديد الموقع ورسم الخرائط. تقيس وحدات القياس المتكاملة تسارع الآلة والسرعة الزاوية في الوقت الفعلي، مما يساعد في تقدير الحركة وتصحيح الوضع.

من خلال دمج البيانات الواردة من هذه المستشعرات المتنوعة، تحقق أنظمة SLAM إدراكاً بيئياً أكثر شمولاً ودقة، مما يعزز دقة تحديد المواقع ورسم الخرائط. أثناء التشغيل، تعالج خوارزمية SLAM بيانات المستشعرات باستمرار لتحديث تقدير موقع الآلة ومعلومات الخريطة. فهي تتنبأ بالموقع التالي للآلة بناءً على ملاحظات المستشعر الحالية والخريطة الحالية، ثم تقوم بتحسين كل من تقدير الموقع والخريطة من خلال مقارنة التنبؤ بالملاحظات الفعلية. تُمكِّن هذه العملية التكرارية الآلة من بناء خريطة دقيقة تدريجيًا أثناء استكشاف البيئة وتحديد موقعها داخل تلك الخريطة.

بالإضافة إلى ذلك، يجب أن تتميز تقنية SLAM بالأداء والمتانة في الوقت الحقيقي. في التطبيقات العملية، غالباً ما تحتاج الآلات إلى اتخاذ قرارات سريعة في بيئات متغيرة ديناميكياً. لذلك، يجب على نظام SLAM معالجة بيانات المستشعرات في الوقت الفعلي وتحديث معلومات الموقع والخريطة على الفور. وفي الوقت نفسه، يجب أن يتكيف مع مختلف الظروف البيئية المعقدة - مثل تغيرات الإضاءة والانسدادات والضوضاء - لضمان التشغيل المستقر والموثوق في ظل ظروف متنوعة. لتلبية هذه المتطلبات، يعمل الباحثون باستمرار على تحسين وتحسين خوارزميات حركة الطائرات بدون طيار (SLAM)، وذلك من خلال دمج تقنيات وأساليب متقدمة مثل خوارزميات التصفية وخوارزميات تحسين الرسم البياني والتعلم العميق لتعزيز أداء أنظمة حركة الطائرات بدون طيار (SLAM) وموثوقيتها.

المبادئ الأساسية لـ SLAM

المهام الأساسية

تشمل عملية "سلام" عمليتين هامتين:

التوطين: تقدير موقع الروبوت واتجاهه داخل البيئة (أي الإحداثيات والاتجاه).

رسم الخرائط: إنشاء خريطة بيئية في نفس الوقت للملاحة وتخطيط المسار.

هذه العمليات مترابطة فيما بينها:

إذا كانت تقديرات الموقع غير دقيقة، تصبح الخريطة مشوهة;

إذا كانت الخريطة غير دقيقة، فإن التعريب ينحرف عن مساره.

الأنواع الرئيسية لـ SLAM

اعتمادًا على نوع المستشعر المستخدم، يمكن تصنيف تقنية SLAM إلى الأنواع التالية:

ومن بين هذه المجالات، تُعدّ عملية الوصول والالتقاط المرئي للواقع المعزز (SLAM) الأكثر نشاطاً في الوقت الحالي، وهي مناسبة بشكل خاص للروبوتات وأجهزة الواقع المعزز الخاصة بالمستهلكين.

مقارنة بين منتجات ليدار

شركة	هوكويو
الطراز	YVT-35LX-F0/FK	UST-30LX	UST-15LX
صورة
الأبعاد	70 ملم × 106 ملم × 95 ملم	50 × 50 × 50 × 70 مم	50 × 50 × 50 × 70 مم
جهد الإمداد	DC12V／ 24V	12 فولت تيار مستمر/ 24 فولت تيار مستمر	12 فولت تيار مستمر/ 24 فولت تيار مستمر
زاوية المسح الضوئي	مجال الرؤية: 210 درجة أو أكثر درجة الانحراف: 6 درجات الدقة: ± 0.125 درجة مئوية	270°	270°
وضع التشابك	إيثرنت (TCP/IP) 100BASE-TX (التفاوض التلقائي)	إيثرنت 100BASE-TX	إيثرنت 100BASE-TX
سرعة المسح الأفقي	20 هرتز	25 مللي ثانية	25 مللي ثانية
الواجهة	Ethernet (TCP/IP) 100BASE-TX (تفاوض تلقائي)	إيثرنت 100BASE-TX	إيثرنت 100BASE-TX
هيكل الحماية	IP67	IP67	IP67
درجة الحرارة المحيطة والرطوبة	-10 إلى 50 درجة مئوية تحت 85% (بدون ندى/صقيع)	-30 درجة مئوية إلى +50 درجة مئوية، أقل من 85%RH (بدون ندى، صقيع)	-30 درجة مئوية إلى +50 درجة مئوية، أقل من 85%RH (بدون ندى، صقيع)

المكونات الرئيسية لعمليات النقل الآلي للمركبات (SLAM)

يتألف نظام SLAM الكامل عادةً من الوحدات التالية:

الواجهة الأمامية

مسؤول بشكل أساسي عن استخراج الميزات ومطابقتها.

في SLAM المرئي، يستخرج هذا النظام نقاط ميزات الصورة (على سبيل المثال، ORB و SIFT و FAST) ويحسب تغيرات الوضع بين الإطارات المتجاورة.

في SLAM بالليزر، يطابق بيانات المسح بالليزر المتجاورة (مطابقة المسح الضوئي).

ناتجها هو تقدير الحركة النسبية.

النهاية الخلفية

مسؤول عن التحسين العالمي.

فهو يستخدم تحسين الرسم البياني أو تعديل الحزمة أو نماذج الرسم البياني للعوامل لتصحيح المسارات والخرائط بشكل كلي.

تتضمن الخوارزميات التمثيلية: g2o و Ceres و Pose Graph Optimization.

إغلاق الحلقة

عندما يعيد الروبوت زيارة المناطق التي تم اجتيازها سابقاً، يكتشف النظام الحلقات ويصحح الأخطاء المتراكمة.

تعزز هذه الخطوة اتساق الخريطة ودقة تحديد الموقع بشكل كبير.

رسم الخرائط

توليد خرائط ثنائية الأبعاد أو ثلاثية الأبعاد بناءً على البيانات المعالجة.

الأنواع الشائعة: السحب النقطية المتناثرة، والسحب النقطية الكثيفة، وخرائط شبكة الإشغال، إلخ.

التطبيقات العملية لعمليات النقل الآلي للأغراض السلمية

ماكينات جز العشب الآلية / المكانس الكهربائية

تحقيق تخطيط المسار وتجنب العوائق ذاتياً من خلال عملية تخطيط المسار وتجنب العوائق ذاتياً من خلال عملية SLAM البصرية أو الليزرية.

تتفوق عمليات التشويش الذاتي بالليزر في البيئات الداخلية، بينما تعمل عمليات التشويش الذاتي البصرية بشكل أفضل في الهواء الطلق.

المركبات ذاتية القيادة وطائرات التوصيل بدون طيار

يعمل نظام الاندماج البصري والليزر SLAM بمثابة "العقل الإدراكي للمركبة".

يقوم ببناء نماذج بيئية ثلاثية الأبعاد في الوقت الفعلي ويوفر تحديد المواقع بدقة عالية لأنظمة التخطيط.

الطائرات بدون طيار (الطائرات بدون طيار) ومركبات AGVs

يوفر تحديداً موثوقاً للمواقع ومسارات الطيران في البيئات التي تواجه تحديات في نظام تحديد المواقع العالمي (GPS) مثل الأماكن المغلقة أو الغابات.

 الواقع المعزز/الواقع الافتراضي والحوسبة المكانية

يُمكِّن V-SLAM الأجهزة من التعرف على تخطيطات الغرف، ودمج المساحات الافتراضية والحقيقية (على سبيل المثال، Apple ARKit وGoogle ARCore).

التطبيقات الصناعية والأمنية

روبوتات الفحص المتنقلة استخدام نظام حركة الطائرات بدون طيار لمهام الدوريات في المستودعات والأنفاق والمحطات الفرعية والبيئات المماثلة.

تحديات SLAM

على الرغم من نضجها، تواجه عملية إدارة حركة النقل الآلي الآلي عدة تحديات في التنفيذ:

مشكلات البيئة الديناميكية

تميل عملية "سلام" إلى الانحراف عندما تحتوي المشاهد على أجسام متحركة مثل المشاة أو المركبات.

اختلافات الإضاءة والملمس

بالنسبة لعمليات الوصول الآلي المرئية (SLAM)، يصبح استخراج نقطة الميزة صعبًا في ظروف الإضاءة المنخفضة أو عندما تكون أنسجة الأرض رتيبة.

الموارد الحاسوبية والأداء في الوقت الحقيقي

يظل التنفيذ في الوقت الحقيقي لخوارزميات حركة الطائرات بدون طيار في الوقت الحقيقي عنق الزجاجة، خاصةً على الأجهزة المدمجة أو منخفضة الطاقة.

اتساق الخريطة وانحراف المقياس

لا يمكن لتمرين SLAM الأحادي تحديد المقياس المطلق مباشرة، مما يتطلب معايرة باستخدام وحدة القياس الأحادية أو مستشعرات العمق.

الفهم الدلالي المحدود

تركّز عملية الوصول الآلي التقليدية على المعلومات الهندسية فقط، وتكافح لفهم دلالات المشهد (مثل "طاولة" أو "باب").

الاتجاهات المستقبلية في SLAM

الاندماج متعدد المستشعرات

يتيح التكامل العميق للبيانات الليزرية والبصرية ووحدة القياس بالليزر ووحدة القياس بالليزر ووحدة القياس بالليزر ووحدة القياس بالليزر ووحدة تحديد المواقع العالمية وغيرها من البيانات تحديد المواقع بقوة في جميع الظروف.

التعلم المتعمق بمساعدة التعلم العميق SLAM

تعمل الشبكات العصبية على تحسين استخراج السمات واكتشاف إغلاق الحلقة ودقة التعرف الدلالي.

تشمل اتجاهات البحث التمثيلية ما يلي: DeepVO، وDF-SLAM، ورسم الخرائط القائمة على الترددات الراديوية الجديدة.

الحوسبة الخفيفة والحوسبة الطرفية

مع زيادة قوة حوسبة الأجهزة، يتم تحسين خوارزميات SLAM للمنصات المدمجة.

يبرز الأداء في الوقت الحقيقي والتحكم في استهلاك الطاقة كمزايا تنافسية أساسية.

العملياتيات الدلالية وفهم المشهد

لن تقوم أنظمة SLAM المستقبلية برسم خرائط للبيئات فحسب، بل ستستوعب أيضًا الدلالات المكانية، مما يتيح "ملاحة ذكية" حقيقية.

عملية سلام تعاونية تعاونية قائمة على السحابة

تشترك روبوتات متعددة في الخرائط وبيانات تحديد المواقع، مما يحقق رسم خرائط ذكاء السرب من خلال العقد السحابية أو العقد الطرفية.

Conclusion

تُعد تقنية SLAM بمثابة "نظام استشعار مكاني" للروبوتات الذكية والأجهزة ذاتية التحكم.

فهي تُمكّن الآلات من فهم محيطها وتوجيه نفسها وبناء تمثيلات ذهنية للعالم - مثل البشر إلى حد كبير.

من النمذجة الرياضية المبكرة إلى تكامل الذكاء الاصطناعي اليوم، يشير تطور حركة الطائرات بدون طيار إلى صعود "الذكاء المكاني".

في المستقبل، ومع التقدم المستمر في قوة الحوسبة والخوارزميات وأجهزة الاستشعار، ستصبح عملية الوصول إلى الأهداف ذاتية الحركة (SLAM) حجر الزاوية الأساسي لجميع الأنظمة ذاتية التشغيل

من القيادة الذاتية والروبوتات إلى الحوسبة المكانية الفوقية، فإن القدرة على "التعرف على المسارات" ستحدد حدود ذكاء الآلة.