He estado explorando los temas posibles para mi tesis de maestría. Aún no estoy seguro cual área quiero explorar. Estoy decidiendo si algo de electrónica de potencia o algo de mas alto nivel (en cuanto abstracción). Uno de los temas que más me llama la atención es el SLAM. Aquí les coloco un poco de que va el asunto.
Que es Visual
SLAM
SLAM del inglés Simultaneous Localization and Mapping o en Español
Localización y Mapeado Simultáneos es una técnica usada para robots y vehículos
autónomos para contruir un mapa de un entorno desconocido en el que se estima a
la vez la trayectoria al desplazarse en ese entorno.
Cuál es el problema
El problema de localización y mapeado simultáneo investiga
la construcción de los modelos matemáticos, geométricos o lógicos de entornos
físicos utilizando como herramienta un robot móvil. Es decir, SLAM plantea
colocar un robot en un entorno y posición desconocido y que él mismo sea capaz
de construir incrementalmente un mapa del entorno y a su vez el uso del mapa
para determinar su ubicación.
Problemática
1.
Por definición, el ambiente donde el robot debe
desenvolverse es dinámico y cambiante, y es comprendido por el robot mediante
sensores que distan de ser perfectos. En estas condiciones se busca la manera de obtener y manipular datos acerca
del entorno, extraer aquel conocimiento
que sea sustancial para la tarea de su representación, e integrar la información así obtenida del
modo más conveniente. Muchas preguntas surgen en este nivel de complejidad:
¿Qué es el entorno? ¿Qué geometrías cabe esperar encontrar en él? ¿Existen objetos
móviles? ¿Con qué precisión es necesario representarlo? ¿Qué nivel de
conocimiento permitirá obtener el mapa generado?
2.
La otra vertiente de la complejidad del problema
tiene que ver con el aspecto computacional de las soluciones planteadas al
problema del SLAM, y está indisolublemente ligada a la anterior. El modo en que
el robot perciba su entorno, la cantidad de información disponible, así como
las técnicas empleadas en su procesamiento, interpretación y combinación,
determinarán los recursos computacionales necesarios para la construcción del
mapa. Estos recursos no son ilimitados; menos aún si el objetivo es ceñirse a
los disponibles a bordo de la máquina. Aquí los interrogantes tienen que ver
con la idoneidad de los algoritmos utilizados y la posibilidad de obtener
soluciones cuya implementación sea posible en tiempo real.
3.
Así pues, en la base de cualquier solución al
problema del SLAM nos encontramos siempre con la necesidad de trabajar con
cantidades progresivamente crecientes de información —contaminada en mayor o
menor medida por ruido—, y manipulada mediante modelos que, la mayoría de las
veces, no son sino meras aproximaciones a la realidad. No es de extrañar, por
lo tanto, que las soluciones más exitosas hasta el momento hayan estado basadas
en la utilización de técnicas probabilísticas.
Primera aproximación al problema -> Odometría Visual
El término de odometría visual viene por el concepto de
odometría en ruedas. Inicialmente el foco del problema está en la estimación de
características o features de la imagen. Una vez identificadas, se realiza un
seguimiento de las características en una secuencia de imágenes.
Mapping o mapeo
Generalmente es considerado un problema complejo, la manera
más común de representación es en mapas métricos. En este tipo de mapas, el ambiente
es representado en términos de las relaciones entre los objetos y una
referencia fija. Uno de los mapas más comunes es un mapa de características.
Un mapa de características representa el ambiente en forma
de formas semi densas como puntos y líneas rectas. Cada característica se
describe por un conjunto de parámetros como su localización y forma geométrica.
Esto se realiza observando y detectando características y comparándolas con las
ya registradas.
Soluciones
Las soluciones que mejores resultados arrojan han sido las
que abordan el problema desde el punto de vista probabilístico. Esto es porque
consiguen hacer frente a todas las fuentes de incertidumbre involucradas en el
proceso. Este tipo de algoritmos suelen basarse en el teorema de Bayes que
relaciona entre sí la probabilidad marginal y condicional de dos variables
aleatorias.
Filtro extendido de Kalman
Es una de las soluciones más extendidas y una de las que
mejores resultados ha arrojado en la práctica. Por su naturaleza, se requiere
disponer de un mapa en el cual las entidades (que pueden estar formadas por las
características de las secuencias de imágenes) deben estar parametrizadas de
manera que puedan encajarse de forma sencilla al vector de estados del sistema.
Mapa de ocupación de celdillas
Este método se basa en la discretización del espacio,
dividiéndolo en unidades de tamaño predefinido, que se clasifican como ocupadas
o vacías según el nivel de confianza o probabilidad. Esta solución parte de la
hipótesis de que la posición del robot es conocida. El problema con este tipo
de enfoque es que como no toma en cuenta la incertidumbre de la posición del
robot, por períodos prolongados acumula un error que hace complicado la
identificación de las características ya contempladas anteriormente. Esto hace
que el cierre del loop sea más difícil de aplicar.
Conclusión
En base a lo discutido, se puede decir que el VISUAL SLAM es
una herramienta que permite localizar y trazar la trayectoria de cierto robot a
la vez que genera un registro del entorno que recorre. Esta herramienta es muy
útil para diversos campos de la ingeniería como la aplicada a los vehículos
autónomos. En particular, al utilizar como sensor una cámara o varias, se
reducen los costos por el sensor, pero aumentan los costos computacionales de
procesamiento.
K. Yousif, A. Bab-Hadiashar, and R. Hoseinnezhad, “An Overview to Visual Odometry and Visual SLAM: Applications to Mobile Robotics,” Intell. Ind. Syst., vol. 1, no. 4, pp. 289–311, 2015.
A. Concha, G. Loianno, V. Kumar, and J. Civera, “Visual-Inertial Direct SLAM,” Webdiis.Unizar.Es, 2016.
Visual SLAM. Wikipedia
Comentarios
Publicar un comentario