從感測器資料到穩固的SLAM：ADI因應NVIDIA cuVSLAM的擴展方案

過去十年之間，研究人員在提升機器人於各類環境中的導航能力方面取得十足進展。同步定位與建圖演算法（SLAM）使機器能夠在建構陌生環境地圖的同時，還能估算自身在地圖中的位置。SLAM運用了多種感測器，其中包括構成視覺SLAM（VSLAM）基礎的攝影機。

NVIDIA cuVSLAM是一款基於CUDA加速的機器人程式庫，旨在為NVIDIA Jetson等邊緣運算平台提供精準、穩固且即時的VSLAM。為拓展NVIDIA cuVSLAM的功能，Analog Devices, Inc. (ADI)與NVIDIA的工程師通力合作，對NVIDIA cuVSLAM庫進行擴展，克服許多常見的SLAM挑戰。此項聯合工作的測試結果令人振奮：

• 輪式編碼器融合技術將平均位置誤差降低了60%，有助於在攝影機訊號丟失和車輪打滑的情況下維持定位。
• 在30個室內序列測試中，有26個序列的定位精度得到提升，在結構化、低紋理的環境中效果尤為顯著。
• 透過動態平衡攝影機與IMU的測量資料，在EuRoC資料集上將平均位置誤差降低了27.7%。

為何SLAM在工業環境中會暴露自身的侷限性

VSLAM能夠檢測並追蹤攝影機圖像中獨特的視覺特徵，如轉角、邊緣及紋理圖案。VSLAM利用此類觀測結果來估算機器人應遵循的路徑。VSLAM演算法使用攝影機圖像（有時結合IMU測量資料）生成即時里程計，此過程旨在估算機器人移動時位姿的變化。估算器是SLAM演算法的核心，負責處理此項工作，同時限制感測器雜訊和漂移的影響。

此方法雖然有效，但工業環境中存在嚴苛的運作條件：

• 均勻的牆壁和地面提供的獨特點特徵極少。
• 儲物架和結構元件重複出現。
• 機器人快速轉彎會導致圖像模糊。
• 存在遮擋（如物體相互遮蔽）或光照不足的情況。

沒有何種測量源能夠單獨因應所有情況。攝影機可依據環境來約束漂移，但很大程度上依賴於場景外觀。編碼器可測量車輪在表面上的運動，但會累積誤差，且在車輪打滑時難以正常工作。慣性測量單元（IMU）可高頻更新運動資訊，但微小的測量誤差會隨時間累積，導致位置估算漂移或精度下降。

因此，工程難題不僅在於增加感測器，真正的挑戰在於將互補的測量資料整合至估算器中，檢測各個測量源何時變得不可靠，並在嵌入式硬體上保持即時運作。