Un robot tiene que saber dónde está. La localización halla su posición en un mapa conocido; el SLAM, localización y mapeo simultáneos, construye el mapa mientras se localiza en él. Cada uno depende del otro, y ambos luchan contra sensores que derivan, así que el corazón del campo es la probabilidad.
Conceptos clave
- Estimación probabilística: el robot mantiene una creencia sobre dónde puede estar, no un punto único.
- Filtros: el filtro de Kalman y sus variantes, y los filtros de partículas, actualizan la creencia con cada movimiento y cada medida.
- SLAM basado en grafos: poses y puntos de referencia como nodos, medidas como restricciones, resueltas por mínimos cuadrados.
- Asociación de datos: decidir si lo que ves ahora es algo que ya viste.
- Cierre de bucle: reconocer un lugar ya visitado, lo que corrige la deriva acumulada.
Vocabulario
- Pose: posición y orientación.
- Punto de referencia (landmark): una característica del mundo con una posición conocida o estimada.
- Odometría visual: movimiento estimado a partir de imágenes de cámara.
- Rejilla de ocupación: un mapa hecho de celdas libres, ocupadas o desconocidas.
Qué estudiar, en orden
- Probabilidad, la regla de Bayes y la distribución gaussiana.
- Un filtro de Kalman unidimensional sobre un robot simulado en movimiento.
- La odometría y su deriva; luego un filtro de partículas que se localice en un mapa de rejilla conocido.
- Construye un pequeño SLAM 2D con lidar, o ejecuta uno abierto, con un conjunto de datos grabado.
- Estudia los grafos de poses y el cierre de bucle, y mide el error frente a la verdad de referencia.
Etiquetas relacionadas
#robotics #computer-vision #autonomous-systems #linear-algebra