SLAM چیست و چه نقشی در عملکرد لیزر اسکنر دارد؟

یکی از چالش‌های مهم در برداشت سه‌بعدی با لیزر اسکنر، تعیین موقعیت و مسیر حرکت دستگاه در محیط‌هایی است که نقشه یا مختصات دقیق آن‌ها از قبل مشخص نیست. در بسیاری از پروژه‌های نقشه‌برداری، برای تعیین موقعیت از GNSS استفاده می‌شود؛ اما در محیط‌هایی مانند تونل‌ها، ساختمان‌ها، معادن زیرزمینی، فضاهای داخلی و برخی محیط‌های شهری، سیگنال GNSS ممکن است ضعیف یا کاملاً در دسترس نباشد.

در چنین شرایطی، فناوری SLAM به لیزر اسکنر یا سامانه برداشت متحرک کمک می‌کند تا با استفاده از داده‌های حسگر، هم‌زمان موقعیت و مسیر حرکت خود را تخمین بزند و نقشه سه‌بعدی محیط را ایجاد کند. به همین دلیل، SLAM یکی از فناوری‌های مهم در لیزر اسکنرهای متحرک و سامانه‌های نقشه‌برداری سه‌بعدی محسوب می‌شود.

SLAM مخفف Simultaneous Localization and Mapping به معنای «مکان‌یابی و نقشه‌برداری هم‌زمان» است. این فناوری با تحلیل پیوسته داده‌های حسگرهایی مانند LiDAR، دوربین و IMU، ارتباط میان اندازه‌گیری‌های متوالی را شناسایی کرده و از آن‌ها برای تخمین حرکت دستگاه و ساخت نقشه سه‌بعدی محیط استفاده می‌کند.

SLAM چیست؟

در یک تعریف مهندسی، SLAM مجموعه‌ای از روش‌های تخمین، پردازش داده و بهینه‌سازی است که به یک سامانه متحرک اجازه می‌دهد در محیطی ناشناخته، به‌صورت هم‌زمان موقعیت خود را تخمین بزند و نقشه‌ای از محیط ایجاد کند. این فناوری در لیزر اسکنرهای سه‌بعدی متحرک اهمیت ویژه‌ای دارد؛ زیرا دستگاه می‌تواند هنگام حرکت، مسیر خود و ساختار سه‌بعدی محیط را به‌صورت هم‌زمان ثبت و محاسبه کند.

در فرآیند SLAM دو مسئله اصلی وجود دارد:

• مکان‌یابی (Localization): تعیین موقعیت و جهت سامانه در هر لحظه نسبت به محیط.
• نقشه‌برداری (Mapping): شناسایی و ثبت ویژگی‌های محیط در یک چارچوب مکانی مشخص.

این دو فرآیند به یکدیگر وابسته هستند. برای ایجاد یک نقشه دقیق باید مشخص باشد لیزر اسکنر هنگام ثبت هر اندازه‌گیری در چه موقعیتی قرار داشته است. از طرف دیگر، ویژگی‌های ثبت‌شده از محیط نیز می‌توانند برای تخمین موقعیت دستگاه مورد استفاده قرار گیرند.

به همین دلیل، SLAM را می‌توان یک مسئله تخمین هم‌زمان وضعیت سامانه و نقشه محیط در نظر گرفت. در ساده‌ترین حالت، وضعیت سامانه شامل موقعیت و جهت آن است و می‌توان آن را با بردار حالت زیر نمایش داد:

x = [x, y, z, φ, θ, ψ]

سه مؤلفه اول نشان‌دهنده موقعیت سامانه در فضای سه‌بعدی و سه مؤلفه بعدی بیانگر جهت و چرخش آن هستند. در یک سامانه واقعی، اطلاعات دیگری مانند سرعت، شتاب و خطای حسگر نیز ممکن است در فرآیند تخمین وارد شوند.

در طول حرکت، لیزر اسکنر اندازه‌گیری‌های جدیدی از محیط دریافت می‌کند و الگوریتم SLAM با مقایسه این داده‌ها با اطلاعات قبلی، وضعیت دستگاه و نقشه را به‌روزرسانی می‌کند. بنابراین، SLAM صرفاً روشی برای ساخت نقشه نیست؛ بلکه فرآیندی پیوسته برای تخمین حرکت، مکان‌یابی، ثبت داده‌های محیط و بهینه‌سازی هم‌زمان مسیر و نقشه سه‌بعدی است.

نحوه عملکرد SLAM

فناوری SLAM هنگام حرکت سامانه، به‌صورت پیوسته اطلاعاتی از محیط دریافت می‌کند. این اطلاعات می‌توانند از حسگرهایی مانند LiDAR، دوربین و IMU یا ترکیبی از آن‌ها به دست آیند. در لیزر اسکنرهای مجهز به SLAM، داده‌های هندسی LiDAR نقش مهمی در تخمین حرکت دستگاه و ایجاد نقشه سه‌بعدی دارند.

فرض کنید یک لیزر اسکنر در محیطی ناشناخته شروع به حرکت می‌کند. با جابه‌جایی دستگاه، بخش‌های مختلف محیط اسکن شده و اطلاعات جدیدی از سطوح اطراف به دست می‌آید. الگوریتم SLAM این اندازه‌گیری‌ها را با داده‌های قبلی مقایسه می‌کند و از میزان تطابق میان آن‌ها برای تخمین جابه‌جایی و چرخش لیزر اسکنر استفاده می‌کند. هم‌زمان، اطلاعات به‌دست‌آمده در نقشه سه‌بعدی ثبت و به‌روزرسانی می‌شوند.

به‌طور کلی، فرآیند عملکرد SLAM را می‌توان به شکل زیر خلاصه کرد:

دریافت داده → استخراج ویژگی‌ها یا اطلاعات هندسی → تخمین حرکت → ایجاد و به‌روزرسانی نقشه → بهینه‌سازی مسیر و موقعیت

نحوه پردازش داده‌ها در انواع مختلف SLAM متفاوت است. در LiDAR SLAM، ساختار هندسی و داده‌های سه‌بعدی محیط مبنای اصلی تخمین حرکت هستند، در حالی که در Visual SLAM، ویژگی‌های موجود در تصاویر برای تشخیص حرکت و موقعیت دوربین مورد استفاده قرار می‌گیرند.

خطای تجمعی و Loop Closure در SLAM

تخمین موقعیت در هر مرحله کاملاً بدون خطا نیست. خطاهای کوچک ممکن است در طول حرکت به‌تدریج انباشته شوند و باعث ایجاد Drift Error یا خطای تجمعی در مسیر شوند. یکی از روش‌های مهم برای کاهش این خطا، استفاده از Loop Closure است.

هنگامی که سامانه به محیطی بازمی‌گردد که قبلاً آن را مشاهده کرده است، الگوریتم می‌تواند این ارتباط را تشخیص دهد و با مقایسه داده‌های جدید و قبلی، مسیر و نقشه ایجادشده را اصلاح کند. این فرآیند به افزایش سازگاری و دقت نقشه سه‌بعدی کمک می‌کند.

LiDAR SLAM چیست؟

LiDAR SLAM یکی از مهم‌ترین روش‌های اجرای SLAM است که در آن داده‌های هندسی حاصل از حسگر LiDAR یا لیزر اسکنر به‌عنوان ورودی اصلی الگوریتم استفاده می‌شوند.

در این روش، لیزر اسکنر هنگام حرکت، محیط اطراف را به‌صورت پیوسته برداشت کرده و مجموعه‌ای از نقاط و اطلاعات هندسی ایجاد می‌کند. الگوریتم SLAM با مقایسه اسکن‌های متوالی و شناسایی بخش‌های مشترک محیط، میزان جابه‌جایی و چرخش دستگاه را تخمین می‌زند. این اطلاعات به همراه داده‌های جدید برای ایجاد و به‌روزرسانی نقشه سه‌بعدی استفاده می‌شوند.

مزیت مهم LiDAR SLAM این است که اطلاعات اصلی آن بر پایه هندسه و ساختار سه‌بعدی محیط قرار دارد. بنابراین، در محیط‌هایی که ویژگی‌های هندسی مناسبی دارند، می‌تواند بدون وابستگی مستقیم به GNSS، موقعیت نسبی لیزر اسکنر و نقشه سه‌بعدی محیط را تخمین بزند.

Visual SLAM چیست؟

Visual SLAM نوع دیگری از فناوری SLAM است که در آن دوربین منبع اصلی اطلاعات محسوب می‌شود. این روش با شناسایی و دنبال‌کردن ویژگی‌هایی مانند گوشه‌ها، لبه‌ها و الگوهای سطح در تصاویر متوالی، اطلاعات لازم برای تخمین حرکت و موقعیت دوربین را استخراج می‌کند.

مزیت اصلی Visual SLAM استفاده از اطلاعات غنی تصویری است؛ با این حال، عملکرد آن به شرایط تصویربرداری وابستگی بیشتری دارد. نور نامناسب، تاریکی، سطوح بسیار یکنواخت و محیط‌هایی با ویژگی‌های بصری کم می‌توانند فرآیند تشخیص و تطبیق ویژگی‌ها را دشوار کنند.

در مقابل، LiDAR SLAM بیشتر بر اطلاعات هندسی و ساختار سه‌بعدی محیط تکیه دارد و به همین دلیل در بسیاری از کاربردهای لیزر اسکنر متحرک و برداشت سه‌بعدی مورد استفاده قرار می‌گیرد.

Sensor Fusion در SLAM چیست؟

در سامانه‌های پیشرفته لیزر اسکنر و برداشت سه‌بعدی، اتکا به یک حسگر به‌تنهایی همیشه کافی نیست. هر حسگر اطلاعات متفاوتی از محیط و حرکت سامانه ارائه می‌دهد؛ برای مثال، LiDAR اطلاعات هندسی محیط، دوربین اطلاعات تصویری و IMU تغییرات شتاب و سرعت زاویه‌ای دستگاه را ثبت می‌کند.

به همین دلیل، بسیاری از سامانه‌های SLAM از روش Sensor Fusion یا «ادغام داده‌های حسگرها» استفاده می‌کنند. در این روش، داده‌های چند حسگر با یکدیگر ترکیب می‌شوند تا تخمین موقعیت و حرکت سامانه پایدارتر و قابل‌اعتمادتر شود.

برای مثال، IMU می‌تواند در فاصله بین دو اندازه‌گیری LiDAR، تخمین اولیه‌ای از حرکت دستگاه ارائه دهد و داده‌های LiDAR یا دوربین این تخمین را با استفاده از اطلاعات محیط اصلاح کنند. در نتیجه، ترکیب حسگرها می‌تواند محدودیت‌های هر حسگر را تا حدی کاهش داده و دقت، پایداری و قابلیت اطمینان SLAM در لیزر اسکنر را افزایش دهد.

مزایا و محدودیت‌های SLAM در لیزر اسکنر

مهم‌ترین مزیت SLAM، امکان مکان‌یابی و نقشه‌برداری هم‌زمان در محیط‌هایی است که نقشه یا اطلاعات موقعیتی دقیق از قبل در دسترس نیست. این ویژگی به لیزر اسکنر متحرک اجازه می‌دهد هنگام حرکت، موقعیت خود را تخمین زده و هم‌زمان نقشه سه‌بعدی محیط را ایجاد کند.

این قابلیت در محیط‌های فاقد یا محدود به GNSS اهمیت ویژه‌ای دارد. در تونل‌ها، معادن زیرزمینی، ساختمان‌ها، فضاهای داخلی و محیط‌های صنعتی، سیگنال ماهواره‌ای ممکن است ضعیف یا کاملاً در دسترس نباشد. در چنین شرایطی، SLAM با استفاده از داده‌های LiDAR، دوربین و IMU می‌تواند برای تخمین حرکت و ایجاد نقشه سه‌بعدی محیط به کار گرفته شود.

از مهم‌ترین مزایای SLAM می‌توان به موارد زیر اشاره کرد:

• ایجاد هم‌زمان مسیر حرکتی و نقشه سه‌بعدی محیط
• امکان استفاده از حسگرهایی مانند LiDAR، دوربین و IMU
• قابلیت ترکیب با GNSS و RTK برای دستیابی به اطلاعات موقعیتی کامل‌تر
• مناسب برای برداشت متحرک در محیط‌های داخلی، صنعتی و زیرزمینی
• کاهش وابستگی به GNSS در محیط‌هایی که سیگنال ماهواره‌ای در دسترس نیست

با این حال، عملکرد SLAM به عواملی مانند کیفیت داده‌های حسگر، ویژگی‌های محیط، سرعت حرکت و توانایی الگوریتم در شناسایی و تطبیق اطلاعات وابسته است. محیط‌های بسیار یکنواخت یا فاقد ویژگی‌های قابل تشخیص می‌توانند فرآیند تخمین موقعیت را دشوار کنند. همچنین با افزایش طول مسیر، کنترل خطای تجمعی اهمیت بیشتری پیدا می‌کند.

بنابراین، محدودیت‌های SLAM بیشتر به شرایط محیط، کیفیت داده‌های ورودی و نحوه پردازش آن‌ها مربوط می‌شوند. انتخاب مناسب لیزر اسکنر، حسگرهای مکمل و الگوریتم پردازش می‌تواند نقش مهمی در دستیابی به نتیجه دقیق و پایدار داشته باشد.

RTK-SLAM چیست؟

در برخی سامانه‌های پیشرفته برداشت سه‌بعدی و لیزر اسکنر متحرک، فناوری SLAM با اطلاعات موقعیت‌یابی ماهواره‌ای و RTK ترکیب می‌شود. این رویکرد که RTK-SLAM نام دارد، از قابلیت‌های هر دو فناوری برای بهبود فرآیند موقعیت‌یابی و برداشت استفاده می‌کند.

در این ساختار، SLAM برای تخمین حرکت و حفظ پیوستگی مسیر در محیط‌های پیچیده به کار می‌رود، در حالی که اطلاعات RTK می‌تواند داده‌های برداشت را به یک چارچوب مختصات واقعی متصل کرده و کنترل موقعیت را بهبود دهد.

این ترکیب به سامانه اجازه می‌دهد از قابلیت SLAM برای برداشت و حرکت در محیط‌های پیچیده استفاده کند و در بخش‌هایی که اطلاعات GNSS/RTK در دسترس است، از آن برای ایجاد یک مرجع موقعیتی دقیق‌تر بهره ببرد. در نتیجه، RTK-SLAM می‌تواند انعطاف‌پذیری سامانه را در پروژه‌هایی که شرایط محیطی در طول مسیر تغییر می‌کند افزایش دهد.

این موضوع به‌ویژه در سامانه‌های برداشت متحرک اهمیت دارد؛ زیرا ممکن است یک پروژه شامل بخش‌هایی با پوشش مناسب GNSS و بخش‌هایی با پوشش ضعیف یا فاقد GNSS باشد. در چنین شرایطی، ترکیب SLAM و RTK امکان ادامه فرآیند برداشت را با وابستگی کمتر به یک روش موقعیت‌یابی واحد فراهم می‌کند.

جمع‌بندی

SLAM یکی از فناوری‌های مهم در مکان‌یابی و نقشه‌برداری سه‌بعدی است که به سامانه‌های متحرک اجازه می‌دهد بدون داشتن نقشه کامل از محیط، موقعیت خود را تخمین بزنند و هم‌زمان نقشه‌ای از فضای اطراف ایجاد کنند.

توانایی SLAM در لیزر اسکنر برای استفاده از اطلاعات محیطی، آن را به راهکاری کاربردی در فضاهای داخلی، تونل‌ها، معادن، ساختمان‌ها و محیط‌های صنعتی تبدیل کرده است؛ به‌ویژه در شرایطی که دسترسی به GNSS محدود یا غیرممکن باشد.

ترکیب SLAM با LiDAR، دوربین و IMU و استفاده از روش‌های Sensor Fusion می‌تواند دقت و پایداری تخمین موقعیت و نقشه‌برداری را افزایش دهد. همچنین ترکیب SLAM با GNSS و RTK امکان اتصال داده‌های برداشت‌شده به یک چارچوب مختصات واقعی را فراهم می‌کند.

در مجموع، فناوری SLAM یکی از اجزای مهم سامانه‌های برداشت سه‌بعدی متحرک و نقشه‌برداری هوشمند محسوب می‌شود و با ترکیب داده‌های حسگری و الگوریتم‌های تخمین، امکان ایجاد اطلاعات مکانی دقیق از محیط‌های پیچیده را فراهم می‌کند.