Esta página se ha traducido mediante traducción automática. Haga clic aquí para ver la última versión en inglés.

SLAM

Localización y mapeo simultáneos en 2D y 3D

La localización y mapeo simultáneos (SLAM) utiliza los algoritmos Aplicación y Localización y estimación de pose. para crear un mapa y localizar su vehículo en ese mapa al mismo tiempo. Utilice lidarSLAM para ajustar su propio algoritmo SLAM que procesa escaneos LIDAR y estimaciones de pose de odometría para construir un mapa de forma iterativa. Utilice buildMap para tomar datos registrados y filtrados para crear un mapa usando SLAM. La app SLAM Map Builder le permite modificar manualmente las poses relativas y alinear los escaneos para mejorar la precisión de su mapa.

Apps

Cree mapas de cuadrícula 2D utilizando SLAM basado en lidar (desde R2019b)

Funciones

expandir todo

EKF SLAM

ekfSLAM Realice localización y mapeo simultáneos utilizando el filtro Kalman extendido (desde R2021b)

LiDAR SLAM

`lidarSLAM`	Realizar localización y mapeo mediante escaneos LIDAR (desde R2019b)
`buildMap`	Cree un mapa de ocupación a partir de escaneos LIDAR (desde R2019b)

Gráficos de pose

`poseGraph`	Crear gráfico de pose 2D (desde R2019b)
`poseGraph3D`	Crear gráfico de pose en 3D (desde R2019b)
`poseGraphSolverOptions`	Opciones de solución para la optimización del gráfico de pose (desde R2020b)
`optimizePoseGraph`	Optimizar nodos en el gráfico de pose (desde R2019b)
`trimLoopClosures`	Optimice el gráfico de pose y elimine cierres de bucle incorrectos (desde R2020b)
`poseplot`	3-D pose plot (desde R2021b)

Gráfico de factores

`factorGraph`	Gráfico bipartito de factores y nodos. (desde R2022a)
`factorGraphSolverOptions`	Opciones de solución para el gráfico de factores (desde R2022a)
`importFactorGraph`	Importar gráfico de factores desde el archivo de registro de g2o (desde R2022a)
`factorIMU`	Convertir lecturas de IMU a factor (desde R2022a)
`factorIMUParameters`	Parámetros de factor IMU (desde R2023a)
`factorGPS`	Factor para medición GPS (desde R2022a)
`factorTwoPoseSE2`	Factor que relaciona dos poses SE(2) (desde R2022a)
`factorTwoPoseSE3`	Factor que relaciona dos poses SE(3) (desde R2022a)
`factorPoseSE2AndPointXY`	Factor que relaciona la posición SE(2) y el punto 2-D (desde R2022b)
`factorPoseSE3AndPointXYZ`	Factor que relaciona la posición SE(3) y el punto 3-D (desde R2022b)
`factorIMUBiasPrior`	Factor previo para el sesgo de IMU (desde R2022a)
`factorVelocity3Prior`	Factor previo para la velocidad 3-D (desde R2022a)
`factorPoseSE3Prior`	Factor previo de estado completo para la pose SE (3) (desde R2022a)
`factorCameraSE3AndPointXYZ`	Factor que relaciona la pose de la cámara SE(3) y el punto 3D (desde R2023a)
`estimateGravityRotation`	Calcule la rotación de la gravedad utilizando mediciones IMU y optimización del gráfico de factores (desde R2023a)
`estimateGravityRotationAndPoseScale`	Calcule la rotación de la gravedad y la escala de pose utilizando mediciones IMU y optimización del gráfico de factores (desde R2023a)

Ejemplos destacados

SLAM basado en EKF con puntos de referencia

Este ejemplo muestra cómo utilizar el objeto ekfSLAM para una implementación confiable de localización y mapeo simultáneos (SLAM) de puntos de referencia utilizando el algoritmo de filtro de Kalman extendido (EKF) y el algoritmo de máxima verosimilitud para la asociación de datos. En este ejemplo, usted crea un mapa de puntos de referencia del entorno inmediato de un vehículo y simultáneamente rastrea la trayectoria del vehículo. Genere una trayectoria moviendo el vehículo usando los ruidosos comandos de control y forme el mapa usando los puntos de referencia que encuentre a lo largo de la ruta. Corrija la trayectoria del vehículo y las estimaciones de los puntos de referencia observando los puntos de referencia nuevamente.

Abrir script en vivo

SLAM de punto de referencia usando marcadores AprilTag

Este ejemplo muestra cómo combinar datos de odometría del robot y marcadores fiduciales observados llamados AprilTags para estimar mejor la trayectoria del robot y las posiciones de los puntos de referencia en el entorno. El ejemplo utiliza un enfoque de gráfico de pose y un enfoque de gráfico de factores, y compara los dos gráficos.

Abrir script en vivo

Realice SLAM utilizando nubes de puntos Lidar 3-D

Este ejemplo demuestra cómo implementar el algoritmo de localización y mapeo simultáneos (SLAM) en datos recopilados de sensores lidar 3-D utilizando algoritmos de procesamiento de nubes de puntos y optimización de gráficos de pose. El objetivo de este ejemplo es estimar la trayectoria del robot y crear un mapa de ocupación tridimensional del entorno a partir de las nubes de puntos lidar tridimensionales y la trayectoria estimada.

Abrir script en vivo

Implementar localización y mapeo simultáneos (SLAM) con escaneos Lidar

Este ejemplo demuestra cómo implementar el algoritmo de localización y mapeo simultáneos (SLAM) en una serie recopilada de escaneos LIDAR mediante la optimización del gráfico de pose. El objetivo de este ejemplo es construir un mapa del entorno utilizando escaneos LIDAR y recuperar la trayectoria del robot.

Abrir script en vivo

Implemente localización y mapeo simultáneos en línea (SLAM) con escaneos Lidar

Este ejemplo demuestra cómo implementar el algoritmo de localización y mapeo simultáneos (SLAM) en escaneos LIDAR obtenidos de un entorno simulado mediante la optimización del gráfico de pose. Este ejemplo requiere Simulink® 3D Animation™ y Navigation Toolbox™.

Abrir script en vivo

Mapee el área interior usando Lidar SLAM y gráfico de factores

Implemente SLAM lidar fuera de línea en escaneos lidar recopilados para mapear un área interior utilizando un gráfico de factores y un mapa de escaneo lidar.

Abrir script en vivo