Introduction à la localisation et à la cartographie des robots

La localisation et la cartographie forment la base perceptuelle qui permet aux robots de se déplacer délibérément à travers des environnements intérieurs structurés et des terrains extérieurs imprévisibles. Sans localisation précise, un robot ne peut pas exécuter des tâches telles que la livraison de paquets, la numérisation des stocks d'entrepôts ou l'exploration planétaire. De même, sans carte, le robot est en fait aveugle. Cet article explore les concepts fondamentaux, les techniques et les tendances actuelles en matière de localisation et de cartographie des robots, fournissant une base détaillée aux ingénieurs, aux chercheurs et aux amateurs.

Qu'est-ce que la localisation des robots?

La localisation des robots est le processus d'estimation de la position et de l'orientation (pos) d'un robot par rapport à un système de coordonnées donné. Cette pose comprend généralement trois degrés de liberté (x, y, et cap) dans des environnements planaires, ou six degrés (x, y, z, rouleau, pas, lacet) dans un espace tridimensionnel. La localisation peut être catégorisée en deux scénarios principaux : localisation mondiale, lorsque le robot n'a aucune connaissance préalable de sa pose initiale, et localisation locale (ou de localisation), où le robot est connu pose initiale et doit maintenir une estimation au fur et à mesure qu'il se déplace. problème de robot kidnappé, dans lequel le robot est soudainement déplacé vers un endroit inconnu sans être informé — un test de la robustesse de tout système de localisation.

Les systèmes modernes de localisation intègrent plusieurs modalités de détection pour atteindre une précision et une fiabilité élevées. Les capteurs typiques incluent les encodeurs de roues (odométrie), les unités de mesure inertielle (IMU), les caméras, les LIDAR et le GPS. Filtres Kalman étendus (EKF) ou Filtres à particules, combine ces mesures disparates pour produire une estimation de pose cohérente même lorsque les capteurs individuels fournissent des données bruyantes ou intermittentes.

Principales techniques de localisation en détail

  • Localisation par GPS : Les systèmes mondiaux de navigation par satellite (GNSS) fournissent des estimations de position absolues avec une précision de niveau de compteur à l'extérieur. Cependant, les signaux GPS sont faibles à l'intérieur et peuvent être dégradés par de grands bâtiments ou feuillage.
  • Odométrie: Les encodeurs mesurent la rotation pour calculer le déplacement progressif. Bien que l'odométrie soit simple et haute fréquence, elle souffre de dérive au fil du temps en raison du glissement des roues, d'un relief inégal ou de changements de pression des pneus.
  • LIDAR et la localisation par caméra : Les scanners laser (LIDAR) permettent de mesurer la plage de fréquences avec précision et sont utilisés pour s'aligner sur des cartes connues ou pour détecter des caractéristiques comme les murs et les coins.
  • Localisation de Monte Carlo (MCL): Une approche de filtre à particules où des milliers de particules pondérées représentent des poses possibles de robot. Au fur et à mesure que le robot se déplace et sense, les particules sont rééchantillonnées en fonction de leur correspondance avec les observations de capteur.
  • Approches hybrides : De nombreux robots commerciaux combinent GPS, odométrie de roue, IMU et odométrie visuelle dans un cadre EKF, obtenant une précision de centimètre dans de bonnes conditions.

Techniques de cartographie en robotique

La cartographie est le processus de construction d'une représentation de l'environnement du robot. Le type de carte utilisé dépend de l'application, des capteurs disponibles, et des ressources informatiques. Les cartes peuvent être bidimensionnelles (plan plancher) ou tridimensionnelles (volumetric). Elles peuvent être métriques (géométriquement précises) ou topologiques (relationnelles).

Type de carte Désignation des marchandises Capteurs typiques Cas d'utilisation
Carte de grille d'occupation Divise l'espace en cellules, chacune stockant une probabilité d'être occupée. Simple et largement utilisé pour la navigation intérieure. LIDAR, sonar Aspirateurs, robots d'entrepôt
Carte basée sur les caractéristiques Entrepose des primitives géométriques (lignes, coins, cylindres) extraits des données du capteur. Compact mais nécessite une extraction robuste des caractéristiques. LIDAR, caméras Systèmes SLAM, réalité augmentée
Carte topologique Représente les endroits comme nœuds et les connexions comme bords. Ne préserve pas bien les distances métriques, mais est efficace pour la planification des itinéraires. Caméras, odométrie Navigation à longue distance, robots sociaux
Carte nuageuse 3D Point Collection dense de points 3D de LIDAR ou de caméras de profondeur. Fournit un riche détail géométrique mais nécessite une mémoire importante. LIDAR 3D, caméras RGB-D Conduite autonome, levé

La cartographie moderne implique souvent cartographie sémantique, où les objets et les zones sont étiquetés (par exemple, -table, -kitchen, -porte). Cela permet aux robots de raisonner sur leur environnement à un niveau plus élevé.

Choisir la bonne approche de cartographie

Le choix de la technique de cartographie est déterminé par la tâche du robot. Un robot de nettoyage du sol nécessite une grille d'occupation 2D légère qui peut être mise à jour en temps réel. Un véhicule autonome, par contre, a besoin d'une carte 3D détaillée avec des taux de rafraîchissement élevés pour naviguer dans le trafic dynamique.

Localisation et cartographie simultanées (SLAM)

SLAM est le problème de la robotique du poulet et de l'œuf : pour construire une carte, le robot doit savoir où il est ; pour savoir où il est, le robot a besoin d'une carte. Les algorithmes SLAM résolvent cela en estimant conjointement la trajectoire du robot et la carte de l'environnement, en utilisant généralement l'estimation probabiliste de l'état.

Paradigmes SLAM

  • - C'est pas vrai. La forme la plus ancienne, stockant un vecteur d'état contenant la pose du robot et toutes les positions de repère. Le filtre Kalman étendu met à jour l'état à mesure que de nouvelles observations arrivent.
  • Filtre à particules SLAM (FastSLAM): Utilise des filtres à particules Rao-Blackwellized, où chaque particule représente une trajectoire robotisée et sa propre carte. Plus évolutive que EKF-SLAM et peut gérer des non-linéarités.
  • SLAM basé sur les graphiques : Construit un graphique où les nœuds sont des robots pose (et en option des repères) et les bords représentent des contraintes spatiales à partir de fermetures d'odométrie ou de boucle. L'optimisation (par exemple, en utilisant g2o ou GTSAM) minimise l'erreur sur toutes les contraintes, produisant une carte cohérente.
  • SLAM visuel : Les caméras sont le capteur primaire. ORB-SLAM3, DSO et SVO sont des implémentations bien connues. Visual SLAM est passif, peu coûteux et fonctionne dans des environnements riches en texture. Il peut être combiné avec des données IMU pour le SLAM visuel-inertial.
  • - C'est pas vrai. Utilise des scans laser pour l'enregistrement des points de nuage (p. ex. PIC, NDT). OuvrirSLAMEt Lego-Loam.

Fermeture des boucles et cohérence des cartes

Un élément essentiel de la SLAM est fermeture de boucle— reconnaissance du retour du robot dans une zone précédemment visitée. Fermetures de boucles correctes accumulées au fil du temps, réalignement de la carte et de la trajectoire. Ceci est souvent obtenu par l'appariement des données de capteur (par exemple, la reconnaissance visuelle de la place de la correspondance de balayage ou de la poche de mots).

Importance de la localisation et de la cartographie dans les applications du monde réel

Les véhicules guidés autonomes (AGV) dans les usines s'appuient sur des cartes précises pour naviguer entre les postes de travail sans collision. Les Drones utilisent l'odométrie visuelle-inertielle et le GPS pour l'inspection des ponts et des lignes électriques. Les robots de recherche et sauvetage doivent explorer les bâtiments effondrés sans carte préalable, en construisant un en vol tout en gardant leur propre position.NISTES) des méthodes d'essai normalisées pour la performance de localisation sont en cours d'élaboration pour s'assurer que ces systèmes sont fiables et sûrs.

Dans l'espace grand public, les aspirateurs robotisés (par exemple Roomba avec iAdapt, Roborock avec LIDAR SLAM) ont rendu la localisation et la cartographie accessibles à des millions de personnes. Ces produits démontrent que même les capteurs à faible coût peuvent réaliser une cartographie efficace lorsqu'ils sont combinés à des algorithmes bien adaptés.

Défis et problèmes ouverts

Malgré des décennies de progrès, plusieurs défis demeurent :

  • L'autonomie à long terme: Les milieux changent au fil du temps (meuble déplacé, portes ouvertes/fermées, végétation saisonnière). Les systèmes SLAM doivent détecter et s'adapter aux changements dynamiques tout en maintenant la cohérence de la carte.
  • Conditions de détection dégénérées: Des tunnels sombres, des couloirs sans caractéristiques ou des caméras de brouillard dégradent les performances de LIDAR. La fusion de capteurs multimodal et des méthodes basées sur l'apprentissage sont à l'étude pour gérer ces scénarios.
  • Contraintes informatiques: Sur les plateformes intégrées, SLAM en temps réel avec des cartes haute résolution est taxant. Algorithmes efficaces et accélération matérielle (GPU, FPGA) sont des domaines de développement actif.
  • Échelle : Les cartes à grande échelle (à l'échelle de la ville ou planétaire) nécessitent des structures de données efficaces (arbres KD, octrees) et des représentations compressées.
  • métrique et sémantique : Combler l'écart entre les cartes géométriques et la compréhension sémantique reste un domaine de recherche ouvert, avec des travaux prometteurs dans le SLAM neuronal et la cartographie différentiable.

Tendances futures de la localisation et de la cartographie des robots

Le champ évolue rapidement. Enseignement approfondi est de plus en plus intégrée aux pipelines de localisation, depuis les réseaux d'odométrie visuelle de bout en bout jusqu'aux descripteurs de caractéristiques apprises et à la reconnaissance des lieux. Compréhension des scènes et niveau objet SLAM (p. ex., Detect-SLAM, CubeSLAM) permet aux robots d'intégrer des modèles d'objets a priori pour une cartographie plus robuste. SLAM coopérative permet aux équipes de robots de partager des informations cartographiques, d'accélérer l'exploration et d'améliorer la précision.

Entre-temps, fusion multicapteurs est de plus en plus sophistiqué, avec des intégrations de IMU, de caméra, de LIDAR et même de radar, couplées de façon lâche et étroitement couplées. cadres ouverts (ROS 2, Cartographe, ORB-SLAM3, Kimera) a démocratisé l'accès aux techniques de pointe. Papier LeGO-LOAM et les Dépôt ORB-SLAM2 sont d'excellents points de départ.

Nous pouvons nous attendre à ce que les robots à venir disposent de capacités de cartographie à vie, où la carte est continuellement mise à jour et affinée au fil des jours ou des mois. Ces systèmes géreront avec grâce des environnements dynamiques, en tirant parti de l'apprentissage automatique pour distinguer entre les changements temporaires et permanents.

Conclusion

La localisation et la cartographie des robots sont fondamentales pour l'autonomie. Du GPS et de l'odométrie aux systèmes SLAM avancés, les techniques abordées dans cet article permettent aux robots de percevoir leur monde et d'agir en son sein. Les ingénieurs doivent comprendre les forces et les limites de chaque approche, qu'il s'agisse de construire un simple robot de suivi de ligne ou un véhicule autoconducteur, pour choisir la bonne combinaison de capteurs et d'algorithmes.