قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
SLAM بفلتر كالمان الموسع
نهج احتمالي يعتمد على فلتر كالمان الموسع لتقدير وضعية الروبوت ومواقع المعالم البيئية بشكل مشترك. يحافظ EKF-SLAM على مصفوفة تغاير كاملة تلتقط الارتباطات بين جميع عناصر الخريطة.
PTAM (التتبع ورسم الخرائط المتوازي)
رائد في SLAM البصري في الوقت الفعلي، يفصل بشكل صريح التتبع السريع عن رسم الخرائط الأبطأ في خيطين متوازيين. أثرت هذه البنية على العديد من أنظمة SLAM الحديثة من خلال تمكين الأداء في الوقت الفعلي على الأجهزة القياسية.
اختيار الإطارات الرئيسية
استراتيجية تحدد الصور أو المسوحات التي يجب الاحتفاظ بها في خريطة SLAM لضمان تمثيل فعال للبيئة. يوازن الاختيار الجيد للإطارات الرئيسية بين التغطية المكانية والتعقيد الحسابي للنظام.
SLAM الكثيف
نهج SLAM يهدف إلى إعادة بناء خريطة كثيفة للبيئة بدلاً من المعالم المتفرقة، باستخدام جميع البكسلات المتاحة للنمذجة. تنتج الطرق الكثيفة مثل DTAM أو KinectFusion نماذج ثلاثية الأبعاد مفصلة ولكنها تتطلب المزيد من الموارد الحسابية.
التعرف على الأماكن
قدرة نظام SLAM على تحديد الأماكن التي تمت زيارتها مسبقًا باستخدام واصفات بيئية عالمية مثل FAB-MAP أو VLAD. ضرورية لاكتشاف الحلقات وبناء خرائط متعددة الجلسات متماسكة.
SLAM المباشر
طريقة SLAM تعمل مباشرة على شدة البكسلات دون استخراج صريح للميزات، كما هو الحال في LSD-SLAM أو DSO. يمكن لهذا النهج التعامل بشكل أفضل مع الأسطح قليلة النسيج ويوفر دقة تحت البكسل في تقدير الوضعية.
رسوم بيانية العوامل
تمثيل رياضي لمشكلة SLAM كـ "رسم بياني ثنائي الأجزاء" حيث يتم تحسين متغيرات الوضعية تحت قيود عوامل القياس. تسمح هذه الصياغة بنمذجة مرنة وفعالة لأنواع مختلفة من المستشعرات والقيود الهندسية.
SLAM شبه المباشر
نهج هجين يجمع بين مزايا الطرق المباشرة والطرق القائمة على الميزات، كما هو الحال في SVO (القياس البصري شبه المباشر). يستخدم الميزات للمتانة مع الاستفادة من المعلومات الضوئية لزيادة الدقة.
SLAM متعدد الجلسات
توسيع لنظام SLAM التقليدي يسمح بدمج الخرائط التي تم الحصول عليها خلال جلسات مختلفة، مما يحقق رسم خرائط تعاوني أو موزع زمنياً. يتطلب استراتيجيات متقدمة لمحاذاة ودمج الخرائط للحفاظ على الاتساق.