同時位置特定とマッピング

同時自己位置推定およびマッピング( SLAM ) は、未知の環境のマップを作成または更新すると同時に、その環境内のエージェントの位置を追跡する計算上の問題です。これは一見、鶏が先か卵が先かという問題のように見えますが、特定の環境に対して、少なくともおおよそ扱いやすい時間で解決できるアルゴリズムがいくつかあります。一般的な近似解法には、粒子フィルタ、拡張カルマンフィルタ、共分散交差、GraphSLAM などがあります。SLAM アルゴリズムは、計算幾何学とコンピュータビジョンの概念に基づいており、ロボットナビゲーション、ロボットマッピング、仮想現実または拡張現実のオドメトリに使用されます。

SLAM アルゴリズムは利用可能なリソースに合わせて調整され、完璧さではなく運用上のコンプライアンスを目指しています。公開されているアプローチは、自動運転車、無人航空機、自律型水中車両、惑星探査車、最新の家庭用ロボット、さらには人体内部にも採用されています。

SLAM問題は、離散時間ステップにわたる一連の制御とセンサー観測が与えられた場合、エージェントの状態の推定値と環境のマップを計算することである。すべての量は通常確率的であるため、目的は^[1]を計算することである。${\displaystyle u_{t}}$${\displaystyle o_{t}}$${\displaystyle t}$${\displaystyle x_{t}}$${\displaystyle m_{t}}$

${\displaystyle P(m_{t+1},x_{t+1}|o_{1:t+1},u_{1:t})}$

ベイズの定理を適用すると、地図と遷移関数が与えられた場合に、位置事後確率を順次更新するための枠組みが得られる。 ${\displaystyle P(x_{t}|x_{t-1})}$

${\displaystyle P(x_{t}|o_{1:t},u_{1:t},m_{t})=\sum _{m_{t-1}}P(o_{t}|x_{t},m_{t},u_{1:t})\sum _{x_{t-1}}P(x_{t}|x_{t-1})P(x_{t-1}|m_{t},o_{1:t-1},u_{1:t})/Z}$

同様に地図は次のように順次更新できる。

${\displaystyle P(m_{t}|x_{t},o_{1:t},u_{1:t})=\sum _{x_{t}}\sum _{m_{t}}P(m_{t}|x_{t},m_{t-1},o_{t},u_{1:t})P(m_{t-1},x_{t}|o_{1:t-1},m_{t-1},u_{1:t})}$

多くの推論問題と同様に、2 つの変数を一緒に推論する解は、期待値最大化アルゴリズムの形で 2 つの信念を交互に更新することによって、局所最適解まで見つけることができます。

上記の方程式を近似するために使用される統計的手法には、カルマン フィルターとパーティクル フィルター(モンテ カルロ ローカリゼーションの背後にあるアルゴリズム) があります。これらは、ロボットの姿勢とマップのパラメーターの事後確率分布の推定値を提供します。共分散交差を使用して上記のモデルを保守的に近似する方法は、統計的独立性の仮定への依存を回避し、大規模なアプリケーションのアルゴリズムの複雑さを軽減できます。^[2]他の近似方法では、不確実性の単純な境界領域表現を使用して計算効率が向上します。^[3]

セットメンバーシップ技術は、主に区間制約伝播に基づいています。^{[4] [5]} これらは、ロボットの姿勢とマップの近似セットを囲むセットを提供します。バンドル調整、およびより一般的には最大事後推定(MAP) は、画像データを使用した SLAM のもう 1 つの一般的な技術であり、姿勢とランドマークの位置を共同で推定してマップの忠実度を高め、Google の ARCore などの商用 SLAM システムで使用されています。ARCore は、以前のProject Tangoという名の拡張現実コンピューティング プラットフォームに代わるものです。MAP 推定器は、事後確率全体を推定するのではなく、センサー データが与えられた場合にロボットの姿勢とマップの最も可能性の高い説明を計算します。

新しいSLAMアルゴリズムは依然として活発な研究分野であり、^[6]以下に詳述するように、マップ、センサー、モデルの種類に関するさまざまな要件と仮定によって推進されることが多い。多くのSLAMシステムは、これらの各側面からの選択の組み合わせとして考えることができる。

トポロジカルマップは、幾何学的に正確なマップを作成するのではなく、環境の接続性（つまりトポロジ）をキャプチャする環境表現の方法です。トポロジカルSLAMアプローチは、メトリックSLAMアルゴリズムのグローバル一貫性を強化するために使用されてきました。^[7]

対照的に、グリッド マップは離散セルの配列 (通常は正方形または六角形) を使用して位相世界を表現し、どのセルが占有されているかを推測します。通常、計算を簡素化するために、セルは統計的に独立していると想定されます。このような想定では、新しいマップのセルがその場所の観測と一致する場合は 1 に設定され、一致しない場合は 0 に設定されます。 ${\displaystyle P(m_{t}|x_{t},m_{t-1},o_{t})}$${\displaystyle o_{t}}$${\displaystyle x_{t}}$

現代の自動運転車は、事前に収集された非常に詳細な地図データを広範に利用することで、マッピングの問題をほとんどなくすまで簡素化しています。これには、道路上の個々の白線セグメントや縁石の位置をマークするレベルの地図注釈が含まれます。Google の StreetView などの位置タグ付き視覚データも、地図の一部として使用できます。基本的に、このようなシステムは SLAM の問題をより単純な位置特定のみのタスクに簡素化し、車や人などの移動物体は実行時に地図でのみ更新されるようにします。

SLAM では常に複数の異なるタイプのセンサーが使用され、さまざまなセンサータイプの能力と限界が新しいアルゴリズムの主な推進力となっています。^[8]統計的独立性は、測定基準のバイアスや測定ノイズに対処するための必須要件です。センサーの種類が異なると、そのセンサーに最も適した仮定に基づく SLAM アルゴリズムも異なります。極端な場合では、レーザースキャンや視覚的特徴によって領域内の多くの点の詳細が提供され、これらの点群の形状は画像登録によって各ステップで簡単かつ明確に位置合わせできるため、SLAM 推論が不要になることがあります。反対の極端な場合では、触覚センサーはエージェントに非常に近い点の情報しか含まないため非常にまばらであり、純粋に触覚的な SLAM で補正するには強力な事前モデルが必要です。ほとんどの実用的な SLAM タスクは、これらの視覚的および触覚的な両極端の間のどこかに位置します。

センサー モデルは、ランドマーク ベースのアプローチと生データ アプローチに大別されます。ランドマークとは、Wi-Fiアクセス ポイントや無線ビーコンなど、センサーによって位置を推定できる、世界で一意に識別可能なオブジェクトです。生データ アプローチでは、ランドマークを識別できるという前提はなく、代わりに位置の関数として直接 モデル化します。${\displaystyle P(o_{t}|x_{t})}$

光学センサーには、1次元（シングルビーム）または2D（スイーピング）レーザー距離計、3D高解像度光検出および測距（ライダー）、3Dフラッシュライダー、2Dまたは3Dソナーセンサー、1台以上の2Dカメラなどがあります。^[8] SIFTなどのローカルフィーチャの発明以来、モバイルデバイスに搭載されているようなカメラの普及により、主に視覚（カメラ）センサーを使用した視覚SLAM（VSLAM）の研究が盛んに行われてきました。^[9] フォローアップ研究には以下が含まれます。^[10]視覚センサーとライダーセンサーはどちらも、多くの場合ランドマークの抽出を可能にするのに十分な情報量を持っています。その他の最近のSLAM形式には、触覚SLAM ^[11]（ローカルタッチのみで検知）、レーダーSLAM、^[12]音響SLAM、^[13]およびWi-Fi-SLAM（近くのWi-Fiアクセスポイントの強度で検知）などがあります。^[14]最近のアプローチでは、不規則な無線測位へのオマージュとして、SLAMと組み合わせて、マルチラテレーション（リアルタイムロケーティングシステム（RTLS））またはマルチアングルのための準光学無線測距を適用しています。人間の歩行者のための一種のSLAMは、靴に取り付けられた慣性測定ユニットをメインセンサーとして使用し、歩行者が壁を回避できるという事実を利用して、屋内測位システムによって建物のフロアプランを自動的に構築します。^[15]

一部の屋外アプリケーションでは、高精度の差動GPSセンサーのおかげで、SLAM の必要性はほぼ完全になくなりました。SLAM の観点から見ると、これらは位置センサーと見なすことができますが、その可能性は非常に高いため、推論を完全に支配します。ただし、GPS センサーは、軍事紛争のときなど、時々機能が低下したり、完全にダウンしたりすることがあります。これは、一部のロボット アプリケーションにとって特に重要です。

この用語は、モデルの運動学を表し、通常はロボットに与えられたアクション コマンドに関する情報が含まれます。モデルの一部として、ロボットの運動学が組み込まれ、固有ノイズと周囲ノイズの条件下での感知の推定値が向上します。動的モデルは、さまざまなセンサー、さまざまな部分エラー モデルからの寄与をバランスさせ、最終的に、ロボットの位置と方向を何らかの確率の雲としてマップとして鮮明な仮想描写にまとめます。マッピングは、このようなモデルの最終的な描写であり、マップは、このような描写またはモデルの抽象的な用語のいずれかです。 ${\displaystyle P(x_{t}|x_{t-1})}$

2D ロボットの場合、運動学は通常、回転コマンドと「前進」コマンドの組み合わせによって与えられ、追加のモーター ノイズで実装されます。残念ながら、角度方向と直線方向の独立したノイズによって形成される分布は非ガウス分布ですが、ガウス分布で近似されることがよくあります。別の方法としては、運動学項を無視し、各コマンドの後にロボット ホイールからオドメトリ データを読み取る方法があります。その場合、このようなデータは運動学ではなくセンサーの 1 つとして扱うことができます。

他の車両や歩行者が存在するような非静的な環境は、依然として研究上の課題となっている。^{[16] [17]} DATMOを使用したSLAMは、エージェント自体と同様の方法で移動する物体を追跡するモデルである。^[18]

ループ クロージャは、以前に訪れた場所を認識し、それに応じて信念を更新する問題です。モデルまたはアルゴリズムのエラーによって場所に低い事前確率が割り当てられる可能性があるため、これが問題になることがあります。一般的なループ クロージャ メソッドでは、2 番目のアルゴリズムを適用して、何らかのタイプのセンサー測定類似性を計算し、一致が検出されたときに場所の事前確率をリセットします。たとえば、これは、以前に訪れた場所ごとにスケール不変特徴変換(SIFT) 特徴のバッグ オブ ワードベクトルを保存して比較することによって実行できます。

アクティブ SLAM は、マップをできるだけ効率的に構築するために次にどこに移動するかを決定する SLAM の組み合わせ問題を研究します。アクティブ探索の必要性は、触覚 SLAM などのスパース センシング レジームで特に顕著です。アクティブ SLAM は、通常、仮想アクションでのマップのエントロピーを近似することによって実行されます。「マルチ エージェント SLAM」は、この問題を、複数のロボットが協調して最適に探索するケースに拡張します。

神経科学では、海馬がSLAMのような計算に関与していると考えられており^{[19] [20] [21] 、}場所細胞を生み出し、RatSLAMなどの生物学的にヒントを得たSLAMシステムの基礎を形成しています。

協調SLAMは複数のロボットやユーザーのセンサーを組み合わせて3Dマップを生成します。^{[22]この機能は、} 2021年のDARPA Subterranean Challengeでいくつかのチームによって実証されました。

一般的なSLAM問題の拡張が音響領域に適用されており、環境は音源の3次元（3D）位置で表され、aSLAM（Acoustic Simultaneous L ocalization and M apping）と呼ばれています。[ 23 ]この技術^の初期の実装では、音源位置の到来方向（DoA）推定を使用し、音源位置の特定には音源定位の主な技術に依存していました。Acoustic SLAMを使用するには、観察者またはロボットにマイクロフォンアレイを装備して、DoA特徴が適切に推定されるようにする必要があります。Acoustic SLAMは、音響シーンマッピングのさらなる研究の基礎を築き、音声を介した人間とロボットのインタラクションにおいて重要な役割を果たすことができます。複数の、時には断続的な音源をマッピングするために、音響SLAMシステムはランダム有限集合論の基礎を使用して、音響ランドマークのさまざまな存在を処理します。^[24]しかし、音響的に得られた特徴の性質上、音響SLAMは環境内の残響、非活動、ノイズの問題の影響を受けやすい。

オーディオビジュアルSLAMは、もともと人間とロボットのインタラクションのために設計されたもので、環境内の音響と視覚の両方のモダリティから取得されたランドマーク特徴の融合を提供するフレームワークです。^[25]人間のインタラクションは、視覚モダリティだけでなく音響モダリティでも知覚される特徴によって特徴付けられます。そのため、人間中心のロボットや機械のSLAMアルゴリズムは、両方の特徴セットを考慮する必要があります。オーディオビジュアルフレームワークは、人間の姿勢などの視覚的特徴と人間の発話などのオーディオ的特徴を使用して、人間のランドマークの位置を推定してマッピングし、それらの信念を融合して、より堅牢な環境マップを作成します。モバイルロボット（ドローン、サービスロボットなど）のアプリケーションでは、単眼カメラやマイクロエレクトロニクスマイクアレイなどの低電力で軽量な機器を使用することが有益です。オーディオビジュアル SLAM は、軽量のビジュアルセンサーに共通する狭い視野、特徴の遮蔽、光学的劣化を、オーディオセンサーに固有の完全な視野と遮るもののない特徴表現で補正することにより、このようなセンサーの補完的な機能も可能にします。オーディオセンサーの残響、音源の非活動、ノイズに対する感受性も、視覚モダリティからのランドマークビリーフの融合によってそれに応じて補正できます。環境内でのオーディオとビジュアルのモダリティ間の補完的な機能は、人間の発話や人間の動きと完全に相互作用するロボットや機械の作成に価値をもたらす可能性があります。

さまざまな SLAM アルゴリズムがオープンソース ソフトウェアの Robot Operating System (ROS) ライブラリに実装されており、多くの場合、3D マップ用のPoint Cloud LibraryやOpenCVの視覚的特徴と一緒に使用されます。

ロボット工学において、EKF SLAMはSLAMに拡張カルマンフィルタ（EKF）を使用するアルゴリズムの一種です。通常、EKF SLAMアルゴリズムは特徴ベースであり、データの関連付けに最大尤度アルゴリズムを使用します。1990年代から2000年代にかけて、 FastSLAMが導入されるまで、EKF SLAMはSLAMの事実上の手法でした。^[26]

EKFにはガウスノイズの仮定が伴い、これがEKF SLAMの不確実性への対処能力を著しく低下させます。事後分布の不確実性が大きいほど、EKFの線形化は失敗します。^[27]

ロボット工学において、GraphSLAMは、観測の相互依存性（同じランドマークに関するデータが含まれている場合、2つの観測は関連している）の因子グラフを生成することによって生成されたスパース情報行列を使用するSLAMアルゴリズムです。^[27]これは最適化アルゴリズムに基づいています。

SLAM における重要な研究は、1986 年の RC Smith と P. Cheeseman による空間的不確実性の表現と推定に関する研究です。^{[28] [29]}この分野の他の先駆的な研究は、1990 年代初頭にHugh F. Durrant-Whyteの研究グループによって実施されました。 ^[30]この研究では、SLAM の解が無限データ限界に存在することが示されました。この発見は、計算的に扱いやすく、解を近似するアルゴリズムの探索を促しました。SLAM という頭字語は、 1995 年にISRに初めて掲載された論文「自律誘導車両の位置特定」の中で造られました。^[31]

セバスチャン・スラン率いる自動運転車スタンレーとジュニアは、2000年代にDARPAグランドチャレンジで優勝し、DARPAアーバンチャレンジで2位となり、SLAMシステムを搭載していたため、SLAMは世界的な注目を集めました。SLAMの大量実装は現在、消費者向けロボット掃除機^[32]や、マーカーレスインサイドアウトトラッキング用の Meta Quest 2やPICO 4などの仮想現実ヘッドセットに使用されています。

• Sebastian Thrun、Wolfram Burgard、Dieter Foxによる SLAM の概要をわかりやすく説明した「Probabilistic Robotics」 。
• SLAM For Dummies (同時位置推定とマッピングへのチュートリアルアプローチ)。
• インペリアル・カレッジ・ロンドンのコンピューティング学部の Andrew Davison による、視覚を使用した SLAM に関する研究ページ。
• openslam.org SLAM のオープンソース コードと説明の優れたコレクション。
• 1D、2D、3D で移動する車両の同時位置推定とマッピングに適用されるカルマン フィルタリングの Matlab ツールボックス。
• 関連する Wi-Fi SLAM および PlaceSLAM アプローチを含む、ドイツ航空宇宙センター(DLR)の FootSLAM 研究ページ。
• SLAM 講義 Python をベースにしたオンライン SLAM 講義。