SLAM (simultaneous localization and mapping) adalah metode yang digunakan untuk kendaraan otonom yang memungkinkan Anda membuat peta dan melokalisasi kendaraan Anda di peta tersebut pada saat yang bersamaan. Algoritme SLAM memungkinkan kendaraan untuk memetakan lingkungan yang tidak dikenal. Teknisi menggunakan informasi peta untuk melakukan tugas-tugas seperti perencanaan jalur dan penghindaran rintangan.
SLAM telah menjadi subjek penelitian teknis selama bertahun-tahun. Namun, dengan peningkatan pesat dalam kecepatan pemrosesan komputer dan ketersediaan sensor berbiaya rendah seperti kamera dan laser range finder, algoritma SLAM kini digunakan untuk aplikasi praktis di sejumlah bidang yang terus bertambah.
Untuk memahami mengapa SLAM penting, mari kita lihat beberapa manfaat dan contoh penerapannya.
Pertimbangkan robot penyedot debu rumahan. Tanpa SLAM, robot hanya akan bergerak secara acak di dalam ruangan dan mungkin tidak dapat membersihkan seluruh permukaan lantai. Selain itu, pendekatan ini menggunakan daya yang berlebihan, sehingga baterai akan lebih cepat habis. Di sisi lain, robot dengan algoritma SLAM dapat menggunakan informasi seperti jumlah putaran roda dan data dari kamera dan sensor pencitraan lainnya untuk menentukan jumlah gerakan yang diperlukan. Ini disebut lokalisasi. Robot juga dapat secara bersamaan menggunakan kamera dan sensor lainnya untuk membuat peta rintangan di sekitarnya dan menghindari pembersihan area yang sama dua kali. Ini disebut pemetaan.
Algoritma SLAM berguna dalam banyak aplikasi lain seperti mengarahkan armada robot bergerak untuk menata rak di gudang, memarkir mobil tanpa pengemudi di tempat kosong, atau mengirimkan paket dengan mengarahkan pesawat nirawak di lingkungan yang tidak dikenal.
Secara umum, ada dua jenis komponen teknologi yang digunakan untuk mencapai SLAM. Jenis pertama adalah pemrosesan sinyal sensor, termasuk pemrosesan front-end, yang sebagian besar bergantung pada sensor yang digunakan. Jenis kedua adalah pengoptimalan pose-grafik, termasuk pemrosesan back-end, yang tidak bergantung pada sensor.
Untuk mempelajari lebih lanjut tentang komponen pemrosesan front-end, jelajahi berbagai metode SLAM seperti SLAM visual, SLAM lidar, dan SLAM multi-sensor.
Seperti namanya, visual SLAM (atau vSLAM) menggunakan gambar yang diperoleh dari kamera dan sensor gambar lainnya. Visual SLAM dapat menggunakan kamera sederhana (kamera sudut lebar, kamera fish-eye, dan kamera sferis), kamera mata majemuk (kamera stereo dan multi), dan kamera RGB-D (kamera kedalaman dan ToF).
Visual SLAM dapat diimplementasikan dengan biaya rendah menggunakan kamera yang relatif murah. Selain itu, karena kamera menyediakan informasi dalam jumlah besar, kamera dapat digunakan untuk mendeteksi landmark (posisi yang diukur sebelumnya). Deteksi landmark juga dapat dikombinasikan dengan pengoptimalan berbasis grafik, sehingga mencapai fleksibilitas dalam implementasi SLAM.
Monocular SLAM adalah jenis algoritma SLAM saat vSLAM menggunakan satu kamera sebagai satu-satunya sensor, yang membuatnya sulit untuk menentukan kedalaman. Hal ini dapat diatasi dengan mendeteksi penanda AR, papan catur, atau objek lain yang diketahui dalam gambar untuk pelokalan atau dengan menggabungkan informasi kamera dengan sensor lain seperti unit pengukuran inersia (IMU), yang dapat mengukur besaran fisik seperti kecepatan dan orientasi. Teknologi yang terkait dengan vSLAM mencakup struktur dari gerakan (SfM), odometri visual, dan penyesuaian bundel.
Algoritma SLAM visual dapat secara umum diklasifikasikan ke dalam dua kategori. Metode sparse mencocokkan titik fitur gambar dan menggunakan algoritma seperti PTAM dan ORB-SLAM. Metode padat menggunakan kecerahan gambar secara keseluruhan dan menggunakan algoritma seperti DTAM, LSD-SLAM, DSO, dan SVO.
Deteksi dan pengukuran jarak cahaya (lidar) adalah metode yang terutama menggunakan sensor laser (atau sensor jarak).
Dibandingkan dengan kamera, ToF, dan sensor lainnya, laser jauh lebih presisi dan digunakan untuk aplikasi dengan kendaraan bergerak berkecepatan tinggi seperti mobil self-driving dan drone. Nilai keluaran dari sensor laser umumnya berupa data titik awan 2D (x, y) atau 3D (x, y, z). Titik awan sensor laser menyediakan pengukuran jarak presisi tinggi dan bekerja secara efektif untuk konstruksi peta dengan algoritma SLAM. Pergerakan diperkirakan secara berurutan dengan mendaftarkan titik awan. Pergerakan yang dihitung (jarak tempuh) digunakan untuk melokalisasi kendaraan. Untuk memperkirakan transformasi relatif antara titik awan, Anda dapat menggunakan algoritma registrasi seperti iterative nearest point (ICP) dan normal distributions transform (NDT). Atau, Anda dapat menggunakan pendekatan berbasis fitur seperti Lidar Odometry and Mapping (LOAM) atau Fast Global Registration (FGR), berdasarkan fitur FPFH. Peta titik awan 2D atau 3D dapat direpresentasikan sebagai peta grid atau peta voxel.
Karena tantangan ini, lokalisasi untuk kendaraan otonom dapat melibatkan penggabungan pengukuran lain seperti odometri roda, sistem satelit navigasi global (GNSS), dan data IMU. Untuk aplikasi seperti robot gudang, SLAM lidar 2D umumnya digunakan, sedangkan SLAM yang menggunakan titik awan 3D umumnya digunakan untuk UAV dan pengemudian otomatis.
Multisensor SLAM adalah jenis algoritma SLAM yang memanfaatkan berbagai sensor—termasuk kamera, IMU (Inertial Measurement Units), GPS, lidar, radar, dan lainnya—untuk meningkatkan presisi dan ketahanan algoritma SLAM. Dengan menggunakan kekuatan komplementer dari berbagai sensor dan mengurangi keterbatasan masing-masing, multisensor SLAM dapat mencapai kinerja yang unggul. Misalnya, meskipun kamera memberikan data visual yang terperinci, kamera mungkin tidak berfungsi dalam skenario cahaya redup atau kecepatan tinggi; lidar, di sisi lain, bekerja secara konsisten di berbagai kondisi pencahayaan tetapi mungkin mengalami kesulitan dengan bahan permukaan tertentu. Multisensor SLAM menawarkan solusi yang lebih dapat diandalkan daripada sensor tunggal dengan mengintegrasikan data dari berbagai sumber. Grafik faktor adalah kerangka kerja modular dan adaptif yang mengintegrasikan berbagai jenis sensor, seperti kamera, IMU, dan GPS. Selain itu, grafik faktor mengakomodasi input sensor khusus (seperti lidar dan odometri) dengan mengubah data menjadi faktor pose. Kemampuan ini memungkinkan berbagai konfigurasi SLAM multi-sensor, seperti Monocular Visual-Inertial SLAM dan Lidar-IMU SLAM.
Meskipun algoritma SLAM digunakan untuk beberapa aplikasi praktis, beberapa tantangan teknis mencegah penerapannya secara umum. Masing-masing memiliki tindakan pencegahan yang dapat membantu mengatasi kendala tersebut.
Algoritme SLAM memperkirakan pergerakan berurutan, yang mencakup beberapa margin kesalahan. Kesalahan terakumulasi dari waktu ke waktu, menyebabkan penyimpangan substansial dari nilai aktual. Hal ini juga dapat menyebabkan data peta runtuh atau terdistorsi, sehingga menyulitkan pencarian selanjutnya. Mari kita ambil contoh mengemudi di sekitar lintasan berbentuk persegi. Saat kesalahan terakumulasi, titik awal dan akhir robot tidak lagi cocok. Ini disebut masalah penutupan loop. Kesalahan estimasi pose seperti ini tidak dapat dihindari. Penting untuk mendeteksi penutupan loop dan menentukan cara memperbaiki atau membatalkan kesalahan yang terakumulasi.
Untuk SLAM multisensor, kalibrasi sensor yang akurat sangat penting. Ketidaksesuaian atau kesalahan kalibrasi dapat mengakibatkan ketidakakuratan penggabungan sensor dan merusak fungsionalitas sistem secara keseluruhan. Optimalisasi grafik faktor dapat lebih membantu dalam proses kalibrasi, termasuk penyelarasan sistem kamera-IMU.
Salah satu tindakan pencegahannya adalah mengingat beberapa karakteristik dari tempat yang pernah dikunjungi sebelumnya sebagai penanda dan meminimalkan kesalahan lokalisasi. Grafik pose dibuat untuk membantu mengoreksi kesalahan. Dengan memecahkan minimisasi kesalahan sebagai masalah pengoptimalan, data peta yang lebih akurat dapat dihasilkan. Jenis pengoptimalan ini disebut penyesuaian bundel dalam SLAM visual.
Pemetaan gambar dan titik awan tidak mempertimbangkan karakteristik pergerakan robot. Dalam beberapa kasus, pendekatan ini dapat menghasilkan estimasi posisi yang tidak berkesinambungan. Misalnya, hasil perhitungan yang menunjukkan bahwa robot yang bergerak dengan kecepatan 1 m/s tiba-tiba melompat maju sejauh 10 meter. Kegagalan lokalisasi semacam ini dapat dicegah dengan menggunakan algoritma pemulihan atau dengan menggabungkan model gerakan dengan beberapa sensor untuk membuat perhitungan berdasarkan data sensor.
Ada beberapa metode untuk menggunakan model gerak dengan fusi sensor. Metode yang umum adalah menggunakan penyaringan Kalman untuk lokalisasi. Karena sebagian besar robot penggerak diferensial dan kendaraan roda empat umumnya menggunakan model gerak nonlinier, filter Kalman yang diperluas dan filter partikel (lokalisasi Monte Carlo) sering digunakan. Filter Bayes yang lebih fleksibel, seperti filter Kalman tanpa aroma, juga dapat digunakan dalam beberapa kasus. Beberapa sensor yang umum digunakan adalah perangkat pengukuran inersia seperti IMU, Attitude and Heading Reference System atau AHRS , Inertial Navigation System atau INS, sensor accelerometer, sensor gyro, dan sensor magnetik). Encoder roda yang dipasang pada kendaraan sering digunakan untuk odometri.
Bila pelokalan gagal, tindakan pencegahan untuk memulihkannya adalah dengan mengingat suatu landmark sebagai bingkai utama dari tempat yang pernah dikunjungi sebelumnya. Saat mencari suatu landmark, proses ekstraksi fitur diterapkan sedemikian rupa sehingga dapat memindai dengan kecepatan tinggi. Beberapa metode yang didasarkan pada fitur gambar meliputi bag of features (BoF) dan bag of visual words (BoVW). Baru-baru ini, pembelajaran mendalam telah digunakan untuk membandingkan jarak dari fitur.
Biaya komputasi menjadi masalah saat menerapkan algoritma SLAM pada perangkat keras kendaraan. Komputasi biasanya dilakukan pada mikroprosesor tertanam yang ringkas dan hemat energi yang memiliki daya pemrosesan terbatas. Untuk mencapai pelokalan yang akurat, penting untuk menjalankan pemrosesan gambar dan pencocokan titik awan pada frekuensi tinggi. Selain itu, kalkulasi pengoptimalan seperti penutupan loop merupakan proses komputasi yang tinggi. Tantangannya adalah bagaimana menjalankan pemrosesan yang membutuhkan komputasi yang mahal pada mikrokomputer tertanam.
Salah satu tindakan pencegahan adalah menjalankan berbagai proses secara paralel. Proses seperti ekstraksi fitur, yang merupakan praproses dari proses pencocokan, relatif cocok untuk paralelisasi. Menggunakan CPU multicore untuk pemrosesan, kalkulasi single instruction multiple data (SIMD), dan GPU tertanam dapat lebih meningkatkan kecepatan dalam beberapa kasus. Selain itu, karena pengoptimalan grafik pose dapat dilakukan dalam siklus yang relatif panjang, menurunkan prioritasnya dan menjalankan proses ini secara berkala juga dapat meningkatkan kinerja.
Seismograf adalah alat yang digunakan untuk mencatat dan mengukur gerakan tanah, khususnya saat terjadi gempa bumi. Seismograf juga dapat digunakan untuk mendeteksi gelombang seismik yang disebabkan oleh ledakan atau fenomena guncangan lainnya. Seismograf terdiri dari sensor pendeteksi gerakan tanah yang disebut seismometer,... Selengkapnya
Kecerdasan buatan adalah kecerdasan yang ditambahkan kepada suatu sistem yang bisa diatur dalam konteks ilmiah atau bisa disebut juga intelegensi artifisial atau hanya disingkat AI, didefinisikan sebagai kecerdasan entitas ilmiah. Istilah kecerdasan buatan diciptakan pada tahun 1956, tetapi AI telah... Selengkapnya
Geophone Geophone adalah sebuah tranduser pergerakan tanah yang sangat sensitif. Dalam seismik eksplorsi, geophone yang umum digunakan adalah tipe moving coil, yaitu kumparan yang bergerak di dalam medan magnet. Prinsip dasar/azas fisikanya mengikuti hukum Lentz. Gambar 1. Hukum Lentz Hukum Lens... Selengkapnya
Belum ada Komentar untuk SLAM (simultaneous localization and mapping)