¿Qué es SLAM?
La localización y cartografía simultáneas (simultaneous localization and mapping), o SLAM, es una técnica utilizada en robótica y en sistemas autónomos que permite a las máquinas orientarse en entornos desconocidos o cambiantes.
El aspecto «simultáneo» es clave: el SLAM permite a un dispositivo determinar su posición al tiempo que crea y actualiza un mapa de su entorno. Dado que la localización y la cartografía dependen la una de la otra, el SLAM plantea un problema del tipo «¿qué fue primero, el huevo o la gallina?». Los sistemas lo abordan mediante la estimación continua, un proceso en el que el sistema compara las últimas observaciones de sus sensores con un mapa en constante evolución para refinar tanto la posición como la comprensión del entorno.
Con el tiempo, los errores en la odometría —conocidos como «desviación»— pueden acumularse. Para solucionar este problema, los sistemas SLAM incorporan mecanismos como el cierre de bucle, que les permite reconocer ubicaciones visitadas anteriormente y corregir los errores acumulados para mejorar la coherencia global.
El SLAM puede implementarse de múltiples formas, dependiendo de los sensores y los casos de uso, incluyendo el SLAM basado en lidar, el SLAM visual (vSLAM) y los enfoques híbridos. La selección de sensores y el diseño del sistema son fundamentales, ya que el rendimiento puede verse mermado en entornos con escasa información visual, en situaciones muy dinámicas o en casos en los que diferentes ubicaciones parecen visualmente similares (un reto conocido como «aliasing perceptivo»).
Fusión de sensores
Para lograr una eficacia óptima, los sistemas SLAM se basan en la información procedente de múltiples sensores, en lugar de una única fuente de datos. El vSLAM utiliza cámaras panorámicas para detectar y clasificar objetos, como semáforos y señales de tráfico. El radar funciona bien en condiciones de polvo y con poca luz, y puede realizar un seguimiento del movimiento y la distancia. Cada modalidad tiene sus ventajas e inconvenientes, pero juntas proporcionan una visión más completa y fiable del entorno.
Al combinar estos datos, denominados fusión de sensores, ayuda a mejorar la precisión de la percepción y a mantener el rendimiento, al tiempo que mitiga las limitaciones individuales. Por ejemplo, El sensor PULSE™ de Aptiv combina una cámara y un radar, lo que ayuda a los vehículos y robots equipados con tecnología SLAM a desplazarse con precisión en diversos entornos.
El SLAM es fundamental tanto para el sector automotriz como para la robótica
El SLAM desempeña un papel importante en una amplia variedad de sistemas que deben funcionar en entornos desconocidos, variables o difíciles de cartografiar. En la industria automovilística, el SLAM suele incorporarse en ADAS junto con otras formas de percepción y cartografía. El uso de SLAM da como resultado un comportamiento más receptivo y similar al humano, lo que permite que los sistemas se adapten a medida que cambian las condiciones, en lugar de tener que basarse únicamente en mapas o instrucciones predefinidos.
Dado que los sistemas funcionan en entornos complejos ámbitos de diseño operativo, la necesidad de una localización precisa y en tiempo real cobra aún más importancia. Los niveles más altos de automatización exigen una comprensión más precisa del entorno, lo que convierte al SLAM en una capacidad fundamental para los sistemas avanzados.
Para los modernos robots móviles autónomos (AMR), SLAM es fundamental, no opcional. SLAM dota a los AMR de autonomía, lo que les permite funcionar de forma independiente en entornos desconocidos. En un almacén, por ejemplo, un AMR puede empezar por crear un mapa y localizarse a sí mismo a medida que sus sensores detectan paredes, estanterías y otros elementos. A continuación, un módulo independiente puede utilizar esa información para planificar la ruta.
El sistema SLAM supone una mejora considerable con respecto a los sistemas utilizados en generaciones anteriores de robots. Por ejemplo, los robots aspiradores de primera generación se basaban en la detección de colisiones, utilizando sensores de proximidad o interruptores de contacto para detectar obstáculos cuando el robot se encontraba muy cerca de ellos o ya los estaba tocando. Esos robots tenían poca o ninguna percepción del entorno; se movían hasta que chocaban con algo.
En las últimas décadas, el SLAM ha pasado de ser una teoría a convertirse en una realidad práctica gracias a las mejoras en los sensores y la potencia de cálculo. El resultado ha sido un gran avance en materia de autonomía, que permite una localización y cartografía más precisas para anticipar los obstáculos y sortearlos sin contacto físico. Además, permite interacciones mucho más seguras entre los robots y su entorno y tiene en cuenta la presencia de compañeros de trabajo humanos.