تحديد الموقع ورسم الخرائط في آن واحد

📅 آخر تحديث: ٣ أغسطس ٢٠٢٦
✍️ نُشر في: ٣ أغسطس ٢٠٢٦
📷 يحتوي على 15 صور
الموسوعة الحرة
قام ستانلي، الفائز بجائزة داربا الكبرى لعام 2005، بتنفيذ نظام SLAM كجزء من نظام القيادة الذاتية الخاص به.
خريطة تم إنشاؤها بواسطة روبوت SLAM

التوطين ورسم الخرائط المتزامنان ( SLAM ) هما عملية يقوم فيها الحاسوب بإنشاء أو تحديث خريطة لبيئة غير معروفة مع تتبع موقع كيان ما داخلها في الوقت نفسه. ورغم أن هذا قد يبدو في البداية كمعضلة بيضة الدجاجة، إلا أن هناك العديد من الخوارزميات المعروفة لحلها في وقت معقول، ولو تقريبيًا، في بيئات معينة. تشمل طرق الحل التقريبية الشائعة مرشح الجسيمات، ومرشح كالمان الموسع، وتقاطع التغاير، وخوارزمية GraphSLAM. تعتمد خوارزميات SLAM على مفاهيم في الهندسة الحسابية ورؤية الحاسوب، وتُستخدم في توجيه الروبوتات، ورسم خرائطها، وقياس المسافة في الواقع الافتراضي أو الواقع المعزز.

تُصمَّم خوارزميات SLAM بما يتناسب مع الموارد المتاحة، ولا تهدف إلى الكمال، بل إلى الامتثال التشغيلي. وتُستخدم الأساليب المنشورة في السيارات ذاتية القيادة، والطائرات المسيّرة، والمركبات المائية ذاتية التشغيل، والمركبات الجوالة على الكواكب، والروبوتات المنزلية الحديثة، وحتى داخل جسم الإنسان.

الوصف الرياضي للمسألة

بالنظر إلى سلسلة من عناصر التحكمuت{\displaystyle u_{t}}وملاحظات المستشعراتoت{\displaystyle o_{t}}على فترات زمنية منفصلةت{\displaystyle t}تتمثل مشكلة SLAM في حساب تقدير لحالة العاملxت{\displaystyle x_{t}}وخريطة للبيئةمت{\displaystyle m_{t}}جميع الكميات عادة ما تكون احتمالية، لذا فإن الهدف هو حساب [ 1 ]

P(مت+1،xت+1|o1:ت+1،u1:ت){\displaystyle P(m_{t+1},x_{t+1}|o_{1:t+1},u_{1:t})}

يُوفر تطبيق قاعدة بايز إطارًا لتحديث التوزيعات الاحتمالية اللاحقة للموقع بشكل متسلسل، بالنظر إلى خريطة ودالة انتقال.P(xت|xت-1){\displaystyle P(x_{t}|x_{t-1})}،

P(xت|o1:ت،u1:ت،مت)=∑مت-1P(oت|xت،مت،u1:ت)∑xت-1P(xت|xت-1)P(xت-1|مت،o1:ت-1،u1:ت)/Z{\displaystyle P(x_{t}|o_{1:t},u_{1:t},m_{t})=\sum _{m_{t-1}}P(o_{t}|x_{t},m_{t},u_{1:t})\sum _{x_{t-1}}P(x_{t}|x_{t-1})P(x_{t-1}|m_{t},o_{1:t-1},u_{1:t})/Z}

أينZ{\displaystyle Z}هو ثابت التطبيع، الذي يضمن أن مجموع جميع الاحتمالات يساوي 1.

وبالمثل، يمكن تحديث الخريطة بشكل متسلسل بواسطة

P(مت|xت،o1:ت،u1:ت)=∑xت∑متP(مت|xت،مت-1،oت،u1:ت)P(مت-1،xت|o1:ت-1،مت-1،u1:ت){\displaystyle P(m_{t}|x_{t},o_{1:t},u_{1:t})=\sum _{x_{t}}\sum _{m_{t}}P(m_{t}|x_{t},m_{t-1},o_{t},u_{1:t})P(m_{t-1},x_{t}|o_{1:t-1},m_{t-1},u_{1:t})}

مثل العديد من مشاكل الاستدلال، يمكن إيجاد حلول لاستنتاج المتغيرين معًا، وصولًا إلى الحل الأمثل المحلي، عن طريق تحديثات متناوبة للمعتقدين في شكل خوارزمية التوقع والتعظيم .

الخوارزميات

تشمل التقنيات الإحصائية المستخدمة لتقريب المعادلات المذكورة أعلاه مرشحات كالمان ومرشحات الجسيمات (الخوارزمية المستخدمة في تحديد الموقع باستخدام مونت كارلو). توفر هذه التقنيات تقديرًا لتوزيع الاحتمال اللاحق لوضعية الروبوت ولمعلمات الخريطة. تستطيع الطرق التي تُقارب النموذج المذكور أعلاه بشكل متحفظ باستخدام تقاطع التغاير تجنب الاعتماد على افتراضات الاستقلال الإحصائي، مما يقلل من تعقيد الخوارزمية في التطبيقات واسعة النطاق. [ 2 ] وتحقق طرق تقريب أخرى كفاءة حسابية محسّنة باستخدام تمثيلات بسيطة للمناطق المحدودة للشك. [ 3 ]

تعتمد تقنيات تحديد الانتماء للمجموعة بشكل أساسي على نشر قيود الفترات . [ 4 ] [ 5 ] فهي توفر مجموعة تُحيط بوضع الروبوت وتقريبًا للمجموعة للخريطة. يُعد تعديل الحزمة ، وبشكل أعم تقدير الاحتمال اللاحق الأقصى (MAP)، تقنية شائعة أخرى لتقنية SLAM باستخدام بيانات الصور، حيث تُقدّر وضعيات الروبوت ومواقع المعالم معًا، مما يزيد من دقة الخريطة، وتُستخدم في أنظمة SLAM التجارية مثل ARCore من جوجل، الذي يحل محل منصة الحوسبة للواقع المعزز السابقة المسماة Tango، والتي كانت تُعرف سابقًا باسم Project Tango . تُحسب مُقدِّرات MAP التفسير الأكثر ترجيحًا لوضعيات الروبوت والخريطة بناءً على بيانات المستشعر، بدلًا من محاولة تقدير الاحتمال اللاحق بالكامل.

لا تزال خوارزميات SLAM الجديدة مجالًا بحثيًا نشطًا، [ 6 ] وغالبًا ما تُوجَّه بمتطلبات وافتراضات مختلفة حول أنواع الخرائط وأجهزة الاستشعار والنماذج كما هو مُفصَّل أدناه. ويمكن النظر إلى العديد من أنظمة SLAM على أنها مزيج من خيارات من كل جانب من هذه الجوانب.

رسم الخرائط

الخرائط الطوبولوجية هي طريقة لتمثيل البيئة، حيث تُجسّد ترابطها (أي طوبولوجيتها) بدلاً من إنشاء خريطة دقيقة هندسياً. وقد استُخدمت مناهج SLAM الطوبولوجية لفرض اتساق شامل في خوارزميات SLAM المترية. [ 7 ]

في المقابل، تستخدم خرائط الشبكة مصفوفات (عادةً مربعة أو سداسية) من الخلايا المنفصلة لتمثيل عالم طوبولوجي، وتستنتج الخلايا المشغولة. وعادةً ما يُفترض أن الخلايا مستقلة إحصائيًا لتبسيط الحساب. في ظل هذا الافتراض،P(مت|xت،مت-1،oت){\displaystyle P(m_{t}|x_{t},m_{t-1},o_{t})}يتم تعيينها إلى 1 إذا كانت خلايا الخريطة الجديدة متوافقة مع الملاحظةoت{\displaystyle o_{t}}في الموقعxت{\displaystyle x_{t}}و 0 في حالة عدم الاتساق.

تُبسط السيارات ذاتية القيادة الحديثة مشكلة رسم الخرائط إلى حد كبير، وذلك من خلال الاستخدام المكثف لبيانات الخرائط عالية الدقة التي يتم جمعها مسبقًا. قد يشمل ذلك إضافة تعليقات توضيحية على الخريطة، وصولًا إلى تحديد مواقع أجزاء الخطوط البيضاء الفردية وأرصفة الطرق. كما يمكن استخدام بيانات مرئية مُحددة الموقع، مثل خدمة خرائط جوجل (Street View)، كجزء من الخرائط. في جوهرها، تُبسط هذه الأنظمة مشكلة تحديد الموقع والتخطيط المتزامن (SLAM) إلى مهمة تحديد موقع أبسط، مما يسمح بتحديث مواقع الأجسام المتحركة، مثل السيارات والأشخاص، على الخريطة أثناء التشغيل.

الاستشعار

سحابة النقاط المسجلة المتراكمة من تقنية SLAM بتقنية الليدار

ستستخدم تقنية SLAM دائمًا أنواعًا مختلفة من أجهزة الاستشعار، وقد شكّلت قدرات وحدود هذه الأنواع المختلفة دافعًا رئيسيًا لتطوير خوارزميات جديدة. [ 8 ] يُعدّ الاستقلال الإحصائي شرطًا أساسيًا للتعامل مع التحيز المتري والتشويش في القياسات. وتؤدي أنواع أجهزة الاستشعار المختلفة إلى خوارزميات SLAM مختلفة، حيث تُحدد الافتراضات الأنسب لكل نوع. فعلى سبيل المثال، توفر عمليات المسح الليزري أو الميزات المرئية تفاصيل العديد من النقاط داخل منطقة معينة، مما يجعل استدلال SLAM غير ضروري في بعض الأحيان، نظرًا لإمكانية محاذاة الأشكال في هذه السحب النقطية بسهولة ودقة في كل خطوة عبر تسجيل الصور . وعلى النقيض من ذلك، تُعدّ أجهزة الاستشعار اللمسية قليلة البيانات للغاية، إذ لا تحتوي إلا على معلومات حول النقاط القريبة جدًا من العامل، لذا فهي تتطلب نماذج مسبقة قوية للتعويض في تقنية SLAM اللمسية البحتة. وتقع معظم مهام SLAM العملية في مكان ما بين هذين النقيضين البصري واللمسي.

تنقسم نماذج المستشعرات عمومًا إلى نهجين: نهج يعتمد على المعالم ونهج يعتمد على البيانات الخام. المعالم هي أجسام فريدة يمكن تحديدها في العالم، ويمكن تقدير موقعها بواسطة مستشعر، مثل نقاط وصول الواي فاي أو منارات الراديو. أما نهج البيانات الخام فلا يفترض إمكانية تحديد المعالم، بل يقوم بنمذجةP(oت|xت){\displaystyle P(o_{t}|x_{t})}بشكل مباشر كدالة للموقع.

قد تكون المستشعرات البصرية أحادية البعد (شعاع واحد) أو ثنائية البعد (مسح ضوئي)، أو أجهزة قياس المسافة بالليزر ، أو أجهزة كشف وتحديد المدى الضوئي ثلاثية الأبعاد عالية الدقة ( ليدار )، أو ليدار فلاش ثلاثي الأبعاد، أو مستشعرات سونار ثنائية أو ثلاثية الأبعاد، أو كاميرا واحدة أو أكثر ثنائية الأبعاد . [ 8 ] منذ ابتكار الميزات المحلية، مثل SIFT ، ازداد البحث في تقنية SLAM البصرية (VSLAM) باستخدام المستشعرات البصرية (الكاميرات) بشكل أساسي، نظرًا لانتشار الكاميرات المتزايد، مثل تلك الموجودة في الأجهزة المحمولة. [ 9 ] تشمل الأبحاث اللاحقة ما يلي. [ 10 ] توفر كل من المستشعرات البصرية ومستشعرات الليدار معلومات كافية لاستخراج المعالم في كثير من الحالات. تشمل الأشكال الحديثة الأخرى لتقنية SLAM كلاً من SLAM اللمسي [ 11 ] (الاستشعار عن طريق اللمس الموضعي فقط)، وSLAM الراداري [ 12 ] ، و SLAM الصوتي [ 13 ] ، وWi-Fi-SLAM (الاستشعار عن طريق قوة إشارات نقاط الوصول اللاسلكية القريبة) [ 14 ] . وتطبق الأساليب الحديثة تقنية تحديد المدى اللاسلكي شبه البصري لتحديد المواقع من زوايا متعددة ( نظام تحديد المواقع في الوقت الحقيقي (RTLS)) أو تحديد المواقع من زوايا متعددة بالتزامن مع SLAM كحل بديل للقياسات اللاسلكية غير المنتظمة. ويستخدم نوع من SLAM للمشاة وحدة قياس بالقصور الذاتي مثبتة على الحذاء كمستشعر رئيسي، ويعتمد على قدرة المشاة على تجنب الجدران لبناء مخططات طوابق المباني تلقائيًا بواسطة نظام تحديد المواقع الداخلي [ 15 ] .

في بعض التطبيقات الخارجية، تم الاستغناء تقريبًا عن تقنية SLAM بفضل مستشعرات GPS التفاضلية عالية الدقة . من منظور SLAM، يمكن اعتبار هذه المستشعرات بمثابة مستشعرات تحديد مواقع ذات احتمالات دقيقة للغاية لدرجة أنها تُهيمن تمامًا على عملية الاستدلال. مع ذلك، قد تتراجع دقة مستشعرات GPS أو تتوقف تمامًا في بعض الأحيان، كما هو الحال أثناء النزاعات العسكرية، وهو ما يُعدّ ذا أهمية خاصة لبعض تطبيقات الروبوتات.

نمذجة الحركة

الP(xت|xت-1){\displaystyle P(x_{t}|x_{t-1})}يمثل هذا المصطلح حركية النموذج، والتي تتضمن عادةً معلومات حول أوامر الحركة المُعطاة للروبوت. وكجزء من النموذج، تُدرج حركية الروبوت لتحسين تقديرات الاستشعار في ظل ظروف الضوضاء الذاتية والمحيطة. يوازن النموذج الديناميكي بين مساهمات مختلف أجهزة الاستشعار، ونماذج الخطأ الجزئي المختلفة، ويُقدم في النهاية تمثيلاً افتراضياً دقيقاً على شكل خريطة، حيث يُمثل موقع الروبوت واتجاهه كسحابة احتمالية. تُعدّ الخريطة التمثيل النهائي لهذا النموذج، وهي إما هذا التمثيل أو المصطلح المجرد للنموذج.

بالنسبة للروبوتات ثنائية الأبعاد، تُحدد الحركة عادةً بمزيج من أوامر الدوران والتحرك للأمام، والتي تُنفذ مع إضافة ضوضاء من المحرك. لسوء الحظ، فإن التوزيع الناتج عن الضوضاء المستقلة في الاتجاهين الزاوي والخطي ليس توزيعًا غاوسيًا، ولكنه غالبًا ما يُقارب بتوزيع غاوسي. يتمثل أحد البدائل في تجاهل مصطلح الحركة وقراءة بيانات قياس المسافة من عجلات الروبوت بعد كل أمر - ويمكن حينها التعامل مع هذه البيانات كأحد المستشعرات بدلاً من اعتبارها بيانات حركة.

الأجسام المتحركة

لا تزال البيئات غير الثابتة، مثل تلك التي تحتوي على مركبات أخرى أو مشاة، تُشكّل تحديات بحثية. [ 16 ] [ 17 ] يُعدّ نموذج SLAM مع DATMO نموذجًا يتتبع الأجسام المتحركة بطريقة مشابهة لتتبع الكائن نفسه. [ 18 ]

إغلاق الحلقة

تُعرف عملية إغلاق الحلقة بأنها مشكلة التعرف على موقع تمت زيارته سابقًا وتحديث المعتقدات بناءً على ذلك. قد يُمثل هذا تحديًا نظرًا لأن أخطاء النموذج أو الخوارزمية قد تُسند قيمًا أولية منخفضة للموقع. تعتمد طرق إغلاق الحلقة التقليدية على تطبيق خوارزمية ثانية لحساب نوع من تشابه قياسات المستشعرات، وإعادة ضبط القيم الأولية للموقع عند اكتشاف تطابق. على سبيل المثال، يمكن تحقيق ذلك من خلال تخزين ومقارنة متجهات "حقيبة الكلمات" لميزات تحويل الميزات الثابتة المقياس (SIFT) من كل موقع تمت زيارته سابقًا.

استكشاف

تدرس تقنية SLAM النشطة المشكلة المدمجة بين تقنية SLAM وتحديد وجهة الحركة التالية لبناء الخريطة بأكبر قدر من الكفاءة. تبرز الحاجة إلى الاستكشاف النشط بشكل خاص في أنظمة الاستشعار المحدودة، مثل تقنية SLAM اللمسية. تُنفذ تقنية SLAM النشطة عادةً بتقريب إنتروبيا الخريطة في ظل إجراءات افتراضية. أما تقنية "SLAM متعددة العوامل" فتوسع هذه المشكلة لتشمل حالة وجود روبوتات متعددة تنسق فيما بينها للاستكشاف الأمثل.

الإلهام البيولوجي

في علم الأعصاب، يبدو أن الحصين يشارك في عمليات حسابية تشبه SLAM، [ 19 ] [ 20 ] [ 21 ] مما يؤدي إلى ظهور خلايا المكان ، وقد شكل الأساس لأنظمة SLAM المستوحاة من علم الأحياء مثل RatSLAM.

تقنية SLAM التعاونية

تجمع تقنية SLAM التعاونية بين أجهزة الاستشعار من عدة روبوتات أو مستخدمين لإنشاء خرائط ثلاثية الأبعاد. [ 22 ] وقد تم إثبات هذه القدرة من قبل عدد من الفرق في تحدي داربا تحت الأرض لعام 2021 .

أساليب SLAM المتخصصة

SLAM الصوتي

تم تطبيق امتداد لمشكلة SLAM الشائعة على المجال الصوتي، حيث تُمثَّل البيئات بالموقع ثلاثي الأبعاد لمصادر الصوت، ويُطلق على هذه التقنية اسم aSLAM ( تحديد الموقع ورسم الخرائط الصوتية المتزامنة ). [ 23 ] استخدمت التطبيقات المبكرة لهذه التقنية تقديرات اتجاه الوصول لموقع مصدر الصوت، واعتمدت على التقنيات الأساسية لتحديد موقع الصوت . يجب أن يكون المراقب، أو الروبوت، مُجهزًا بمصفوفة ميكروفونات لتمكين استخدام aSLAM الصوتية، وذلك لتقدير خصائص اتجاه الوصول بشكل صحيح. لقد مهدت aSLAM الصوتية الطريق لمزيد من الدراسات في رسم خرائط المشاهد الصوتية، ويمكن أن تلعب دورًا مهمًا في التفاعل بين الإنسان والروبوت من خلال الكلام. لرسم خرائط مصادر صوتية متعددة، وأحيانًا متقطعة، يستخدم نظام aSLAM الصوتية أسس نظرية المجموعات المحدودة العشوائية للتعامل مع التباين في وجود المعالم الصوتية. [ 24 ] ومع ذلك، فإن طبيعة الميزات المستمدة صوتيًا تجعل نظام SLAM الصوتي عرضة لمشاكل الصدى وعدم النشاط والضوضاء داخل البيئة.

عرض سمعي بصري

صُممت تقنية SLAM السمعية البصرية في الأصل للتفاعل بين الإنسان والروبوت، وهي إطار عمل يدمج معالم بارزة مستمدة من كلٍّ من الوسائط الصوتية والبصرية في البيئة المحيطة. [ 25 ] يتميز التفاعل البشري بخصائص تُدرك ليس فقط بالوسائط البصرية، بل بالوسائط الصوتية أيضًا؛ ولذلك، يجب أن تراعي خوارزميات SLAM للروبوتات والآلات التي تتمحور حول الإنسان كلا النوعين من الخصائص. يُقدّر إطار العمل السمعي البصري مواقع المعالم البشرية ويرسم خرائط لها باستخدام خصائص بصرية كوضعية الجسم، وخصائص صوتية كالكلام، ثم يدمج هذه المعلومات للحصول على خريطة أكثر دقة للبيئة. بالنسبة لتطبيقات الروبوتات المتنقلة (مثل الطائرات المسيّرة وروبوتات الخدمة)، يُعد استخدام معدات خفيفة الوزن ومنخفضة الطاقة، كالكاميرات أحادية العدسة أو مصفوفات الميكروفونات الإلكترونية الدقيقة، أمرًا بالغ الأهمية. تتيح تقنية SLAM السمعية البصرية التكامل الوظيفي بين المستشعرات، وذلك بتعويض ضيق مجال الرؤية، وحجب المعالم، والتدهور البصري الشائع في المستشعرات البصرية خفيفة الوزن، من خلال مجال الرؤية الكامل وتمثيلات المعالم الواضحة التي تتميز بها المستشعرات الصوتية. كما يمكن تعويض حساسية المستشعرات الصوتية للصدى، وعدم نشاط مصدر الصوت، والضوضاء، عبر دمج معلومات المعالم من الوسائط البصرية. ويمكن أن يكون التكامل الوظيفي بين الوسائط السمعية والبصرية في بيئة ما ذا قيمة كبيرة في ابتكار الروبوتات والآلات التي تتفاعل بشكل كامل مع الكلام والحركة البشرية.

أساليب التنفيذ

يتم تطبيق العديد من خوارزميات SLAM في مكتبات نظام تشغيل الروبوت (ROS) مفتوحة المصدر ، والتي تستخدم غالبًا مع مكتبة Point Cloud للخرائط ثلاثية الأبعاد أو الميزات المرئية من OpenCV .

إي كي إف سلام

في مجال الروبوتات ، تُعدّ خوارزمية EKF SLAM فئة من الخوارزميات التي تستخدم مرشح كالمان الموسّع (EKF) لتحديد الموقع ورسم الخرائط المتزامنة (SLAM). عادةً ما تعتمد خوارزميات EKF SLAM على الميزات، وتستخدم خوارزمية الاحتمالية القصوى لربط البيانات. في تسعينيات القرن الماضي وأوائل الألفية الثانية، كانت خوارزمية EKF SLAM هي الطريقة المُعتمدة لتحديد الموقع ورسم الخرائط المتزامنة، إلى أن ظهرت خوارزمية FastSLAM . [ 26 ]

يرتبط بخوارزمية مرشح كالمان الموسع (EKF) افتراض الضوضاء الغاوسية، مما يُضعف بشكل كبير قدرة خوارزمية EKF SLAM على التعامل مع عدم اليقين. ومع ازدياد عدم اليقين في التوزيع الاحتمالي اللاحق، تفشل عملية التخطيط الخطي في خوارزمية EKF. [ 27 ]

GraphSLAM

في مجال الروبوتات ، تُعدّ GraphSLAM خوارزمية SLAM تستخدم مصفوفات معلومات متفرقة ناتجة عن توليد رسم بياني لعوامل الترابط بين الملاحظات (ترتبط ملاحظتان إذا احتوت على بيانات حول نفس المعلم). [ 27 ] وهي تعتمد على خوارزميات التحسين.

تاريخ

يُعدّ بحث سميث وتشيزمان عام 1986 حول تمثيل وتقدير عدم اليقين المكاني من الأعمال الرائدة في مجال SLAM. [ 28 ] [ 29 ] كما أجرى فريق بحث هيو إف. دورانت-وايت أعمالًا رائدة أخرى في هذا المجال في أوائل التسعينيات. [ 30 ] حيث أظهروا وجود حلول لـ SLAM في حالة البيانات اللانهائية. وقد حفّزت هذه النتيجة البحث عن خوارزميات قابلة للتطبيق حسابيًا وتقارب الحل. وقد صِيغ اختصار SLAM في ورقة بحثية بعنوان "تحديد موقع المركبات الموجهة ذاتيًا" نُشرت لأول مرة في مجلة ISR عام 1995. [ 31 ]

فازت سيارتا ستانلي وجونيور ذاتيتا القيادة، بقيادة سيباستيان ثرون ، بتحدي داربا الكبير وحققتا المركز الثاني في تحدي داربا الحضري خلال العقد الأول من الألفية الثانية، وقد تضمنتا أنظمة SLAM، مما لفت الأنظار إلى هذه التقنية عالميًا. ويمكن الآن إيجاد تطبيقات SLAM واسعة الانتشار في المكانس الكهربائية الروبوتية المنزلية [ 32 ] ونظارات الواقع الافتراضي مثل ميتا كويست 2 وبيكو 4 لتتبع الحركة من الداخل إلى الخارج دون الحاجة إلى علامات.

انظر أيضاً

مراجع

  1. ↑ ثرون، سيباستيان ؛ بورغارد، وولفرام ؛ فوكس، ديتر . الروبوتات الاحتمالية . مطبعة معهد ماساتشوستس للتكنولوجيا. ص  309.
  2. ↑ جولير، س.؛ أولمان، ج. (2001). بناء خريطة المليون منارة . وقائع مؤتمر ISAM حول الأنظمة الذكية للتصنيع. doi : 10.1117/12.444158 .
  3. ↑ تشوربا، م.؛ أولمان، ج. (1997). خوارزمية شبه مثالية لبناء الخرائط التلقائي . وقائع مؤتمر التحكم الأمريكي لعام 1997. doi : 10.1109/ACC.1997.611857 .
  4. ↑ جاولين، ل. (2009). "نهج غير خطي لعضوية المجموعة لتحديد موقع وبناء خريطة لروبوت تحت الماء باستخدام نشر قيود الفاصل الزمني" (ملف PDF) . معاملات IEEE في مجال الروبوتات . 25 : 88-98 . doi : 10.1109/TRO.2008.2010358 . S2CID 15474613 . 
  5. ↑ جاولين، ل. (2011). "نظام تحديد المواقع والملاحة المتزامنة (SLAM) باستخدام خرائط الإشغال فقط؛ منهج عضوية المجموعة" (ملف PDF) . مجلة IEEE للمعاملات في مجال الروبوتات . 27 (5): 1004-1010 . doi : 10.1109/TRO.2011.2147110 . S2CID 52801599 . 
  6. ↑ كادينا، سيزار؛ كارلوني، لوكا؛ كاريلو، هنري؛ لطيف، ياسر؛ سكاراموزا، دافيد؛ نيرا، خوسيه؛ ريد، إيان؛ ليونارد، جون ج. (2016). "ماضي وحاضر ومستقبل التحديد والتخطيط المتزامنين: نحو عصر الإدراك القوي". معاملات IEEE في مجال الروبوتات . 32 (6): 1309-1332 . arXiv : 1606.05830 . Bibcode : 2016arXiv160605830C . doi : 10.1109/tro.2016.2624754 . hdl : 2440/107554 . ISSN 1552-3098 . S2CID 2596787 .  
  7. ↑ كومينز، مارك؛ نيومان، بول (يونيو 2008). "FAB-MAP: التحديد الاحتمالي للموقع ورسم الخرائط في فضاء الظهور" (ملف PDF) . المجلة الدولية لأبحاث الروبوتات . 27 (6): 647-665 . doi : 10.1177/0278364908090961 . S2CID 17969052. تاريخ الاسترجاع: 23 يوليو 2014 . 
  8. 1 2 ماغنابوسكو، م.؛ بريكون، ت.ب. (فبراير 2013). "تحديد الموقع ورسم الخرائط المتزامنة البصرية عبر الطيف (SLAM) مع تسليم المستشعر" (ملف PDF) . الروبوتات والأنظمة المستقلة . 63 (2): 195-208 . doi : 10.1016/j.robot.2012.09.023 . تم الاطلاع عليه في 5 نوفمبر 2013 .
  9. ↑ سي، ستيفن؛ وآخرون (جيمس ج. ليتل؛ ديفيد لوي) (2001). تحديد موقع الروبوت المتنقل ورسم خرائطه باستخدام ميزات ثابتة المقياس . المؤتمر الدولي للروبوتات والأتمتة (ICRA). doi : 10.1109/ROBOT.2001.932909 . 
  10. ↑ كارلسون، ن.؛ وآخرون (دي برناردو، إ.؛ أوستروفسكي، ج.؛ غونسالفيس، ل.؛ بيرجانيان، ب.؛ ميونخ، م.) (2005). خوارزمية vSLAM للتحديد والتخطيط القويين للموقع . المؤتمر الدولي للروبوتات والأتمتة (ICRA). doi : 10.1109/ROBOT.2005.1570091 . 
  11. ↑ فوكس، سي.؛ إيفانز، إم.؛ بيرسون، إم.؛ بريسكوت، تي. (2012). نظام تحديد المواقع والملاحة المتزامنة اللمسي باستخدام روبوت ذي شوارب محاكي حيوي (ملف PDF) . وقائع المؤتمر الدولي لهندسة الروبوتات والأتمتة (ICRA) التابع لمعهد مهندسي الكهرباء والإلكترونيات.
  12. ^ مارك، جي دبليو؛ محمود، أ.؛ في دي هوين، إي؛ فان هيجستر، ر. (2013). رادار داخلي SLAM تطبيق رادار للرؤية والبيئات المرفوضة من نظام تحديد المواقع العالمي (PDF) . مؤتمر الرادار (EuRAD)، 2013 الأوروبي.
  13. ↑ إيفرز، كريستين، ألاستير هـ. مور، وباتريك أ. نايلور. " التحديد والتخطيط الصوتي المتزامن (a-SLAM) لمصفوفة ميكروفونات متحركة ومكبرات الصوت المحيطة بها ." المؤتمر الدولي لهندسة الصوت والكلام ومعالجة الإشارات (ICASSP) لعام 2016. معهد مهندسي الكهرباء والإلكترونيات، 2016.
  14. ↑ فيريس، برايان، وديتر فوكس، ونيل د. لورانس. " Wi-Fi-slam باستخدام نماذج المتغيرات الكامنة للعمليات الغاوسية. مؤرشف في 24 ديسمبر 2022 على Wayback Machine ." المؤتمر الدولي المشترك للذكاء الاصطناعي. المجلد 7. العدد 1. 2007.
  15. ↑ روبرتسون، ب.؛ أنجرمان، م.؛ كراش، ب. (2009). تحديد الموقع ورسم الخرائط المتزامن للمشاة باستخدام أجهزة استشعار القصور الذاتي المثبتة على القدم فقط (ملف PDF) . مؤتمر Ubicomp 2009. أورلاندو، فلوريدا، الولايات المتحدة الأمريكية: ACM. doi : 10.1145/1620545.1620560 . مؤرشف من النسخة الأصلية (ملف PDF) بتاريخ 16 أغسطس 2010.
  16. ↑ بيريرا، ساموندا؛ باسكوال، أجيث (2011). "نحو نظام MonoSLAM محمول باليد في الوقت الحقيقي في بيئات ديناميكية". في: بيبيس، جورج؛ بويل، ريتشارد؛ بارفين، بهرام؛ كوراسين، داركو؛ وانغ، سونغ؛ كيونغنام، كيم؛ بينيس، بيدريتش؛ مورلاند، كينيث؛ بورست، كريستوف (محررون). التطورات في الحوسبة المرئية . سلسلة محاضرات في علوم الحاسوب. المجلد 6938. سبرينغر برلين هايدلبرغ. الصفحات 313-324 . doi : 10.1007/978-3-642-24028-7_29 . ISBN   9783642240287.
  17. ↑ بيريرا، ساموندا؛ بارنز، د. نيك؛ زيلينسكي، د. ألكسندر (2014)، "الاستكشاف: التحديد المتزامن للموقع ورسم الخرائط (SLAM)"، في إيكوتشي، كاتسوشي (محرر)، رؤية الحاسوب: دليل مرجعي ، سبرينغر الولايات المتحدة، ص 268-275 ، doi : 10.1007/978-0-387-31439-6_280 ، ISBN  9780387314396، S2CID 34686200 
  18. ↑ وانغ، تشيه-تشيه؛ ثورب، تشارلز؛ ثرون، سيباستيان؛ هيبرت، مارشال؛ دورانت-وايت، هيو (2007). "التحديد المتزامن للموقع، ورسم الخرائط، وتتبع الأجسام المتحركة" (ملف PDF) . المجلة الدولية لأبحاث الروبوتات. 26 ( 9): 889-916 . doi : 10.1177/0278364907081229 . S2CID 14526806 . 
  19. ↑ هوارد، إم دبليو؛ فوتيدار، إم إس؛ داتي، إيه في؛ هاسلمو، إم إي (2005). "نموذج السياق الزمني في الملاحة المكانية والتعلم العلائقي: نحو تفسير مشترك لوظيفة الفص الصدغي الإنسي عبر المجالات" . مجلة المراجعة النفسية . 112 (1): 75-116 . doi : 10.1037/0033-295X.112.1.75 . PMC 1421376. PMID 15631589 .  
  20. ↑ فوكس، سي؛ بريسكوت، تي (2010). "الحُصين كمرشح جسيمات متماسك أحادي". المؤتمر الدولي المشترك للشبكات العصبية لعام 2010 (IJCNN) (ملف PDF) . الصفحات 1-8 . doi : 10.1109/IJCNN.2010.5596681 . ISBN  978-1-4244-6916-1. S2CID 10838879 . 
  21. ↑ ميلفورد، إم جيه؛ ويث، جي إف؛ براسر، دي (2004). "RatSLAM: نموذج الحصين للتحديد والتخطيط المتزامنين". المؤتمر الدولي لهندسة الروبوتات والأتمتة، 2004. وقائع المؤتمر. ICRA '04. 2004 (ملف PDF) . الصفحات 403-408، المجلد 1. doi : 10.1109/ROBOT.2004.1307183 . ISBN  0-7803-8232-3. S2CID 7139556 . 
  22. ↑ زو، دانبينغ، وبينغ تان. " كوسلام: التعاون البصري في البيئات الديناميكية ." معاملات IEEE في تحليل الأنماط والذكاء الآلي 35.2 (2012): 354-366.
  23. ↑ إيفرز، كريستين؛ نايلور، باتريك أ. (سبتمبر 2018). "تقنية SLAM الصوتية" (ملف PDF) . مجلة IEEE/ACM للمعاملات في معالجة الصوت والكلام واللغة . 26 (9): 1484-1498 . doi : 10.1109/TASLP.2018.2828321 . ISSN 2329-9290 . 
  24. ↑ ماهلر، الجمعية الملكية للفيزياء (أكتوبر 2003). "ترشيح بايز متعدد الأهداف عبر لحظات متعددة الأهداف من الدرجة الأولى". معاملات IEEE في أنظمة الفضاء والطيران والإلكترونيات . 39 (4): 1152-1178 . رمز Bibcode : 2003ITAES..39.1152M . doi : 10.1109/TAES.2003.1261119 . ISSN 0018-9251 . 
  25. ↑ تشاو، آرون؛ سيكيجوتشي، كوهي؛ نوجراها، أديتيا آري؛ يوشي، كازويوشي؛ فوناكوشي، كوتارو (أكتوبر 2019). "تقنية SLAM السمعية البصرية لتتبع الإنسان والتفاعل بين الإنسان والروبوت في البيئات الداخلية". المؤتمر الدولي الثامن والعشرون لجمعية مهندسي الكهرباء والإلكترونيات (IEEE) حول التواصل التفاعلي بين الإنسان والروبوت (RO-MAN) لعام 2019. نيودلهي، الهند: IEEE. الصفحات 1-8 . doi : 10.1109/RO-MAN46459.2019.8956321 . ISBN  978-1-7281-2622-7. S2CID 210697281 . 
  26. ↑ مونتيميرلو، م.؛ ثرون، س.؛ كولر، د.؛ ويغبريت، ب. (2002). "FastSLAM: حل مُجزأ لمشكلة التحديد والتخطيط المتزامنين" (ملف PDF) . وقائع المؤتمر الوطني للذكاء الاصطناعي التابع للجمعية الأمريكية للذكاء الاصطناعي . الصفحات 593-598 . 
  27. 1 2 ثرون، س.؛ بورغارد، و.؛ فوكس، د. (2005). الروبوتات الاحتمالية . كامبريدج: مطبعة معهد ماساتشوستس للتكنولوجيا. ISBN 0-262-20162-3.
  28. ↑ سميث، آر سي؛ تشيزمان، بي. (1986). "حول تمثيل وتقدير عدم اليقين المكاني" (ملف PDF) . المجلة الدولية لبحوث الروبوتات . 5 (4): 56-68 . doi : 10.1177/027836498600500404 . S2CID 60110448. تاريخ الاسترجاع : 8 أبريل 2008 . 
  29. ↑ سميث، آر سي؛ سيلف، إم؛ تشيزمان، بي. (1986). "تقدير العلاقات المكانية غير المؤكدة في الروبوتات" (ملف PDF) . وقائع المؤتمر السنوي الثاني حول عدم اليقين في الذكاء الاصطناعي . UAI '86. جامعة بنسلفانيا، فيلادلفيا، بنسلفانيا، الولايات المتحدة الأمريكية: إلسيفير. الصفحات 435-461 . مؤرشف من الأصل (ملف PDF) بتاريخ 2010-07-02. 
  30. ↑ ليونارد، جيه جيه؛ دورانت-وايت، إتش إف (1991). "بناء الخرائط وتحديد الموقع في آنٍ واحد لروبوت متنقل ذاتي القيادة". وقائع ورشة عمل IROS '91: ورشة عمل IEEE/RSJ الدولية حول الروبوتات والأنظمة الذكية '91 . الصفحات 1442-1447 . doi : 10.1109/IROS.1991.174711 . ISBN  978-0-7803-0067-5. S2CID 206935019 . 
  31. ↑ دورانت-وايت، هـ.؛ بيلي، ت. (يونيو 2006). "التحديد المتزامن للموقع ورسم الخرائط: الجزء الأول" . مجلة IEEE للروبوتات والأتمتة . 13 (2): 99-110 . doi : 10.1109/MRA.2006.1638022 . ISSN 1558-223X . S2CID 8061430 .  
  32. ↑ نايت، ويل (16 سبتمبر 2015). "مع روبوت Roomba قادر على الملاحة، تتطلع iRobot إلى روبوتات منزلية متطورة" . مجلة MIT Technology Review . تاريخ الاسترجاع: 25 أبريل 2018 .