Wesloo
Tutti i temiTemi

Robotica

Localizzazione e mappatura simultanee: cosa è la SLAM

Risposta breve

La SLAM è il metodo con cui un robot mobile costruisce la mappa di un ambiente sconosciuto e calcola la propria posizione al suo interno nello stesso momento. I due problemi si tengono insieme perché nessuno dei due ha un dato di partenza affidabile: la mappa serve per localizzarsi e la posizione serve per aggiornare la mappa. Sensori come laser, telecamere e odometria alimentano un ciclo di predizione e correzione che riduce l'incertezza di entrambe le stime.

Punti chiave

  • Localizzare significa dedurre la posizione avendo una mappa; mappare significa dedurre la mappa conoscendo le posizioni: la SLAM fa le due cose insieme.
  • Il ciclo si ripete a ogni lettura dei sensori: predizione del movimento, estrazione dei landmark, associazione dei dati, correzione della stima.
  • Filtro di Kalman esteso e FastSLAM sono le famiglie di algoritmi classiche; vSLAM lavora su immagini e a-SLAM su segnali acustici.
  • Molte auto a guida autonoma usano mappe raccolte in anticipo e riducono il problema a una semplice localizzazione su mappa nota.
  • I guasti tipici sono la deriva dell'odometria e l'associazione errata di un landmark, che deformano la mappa e trascinano con sé la posizione.
  • Oltre ai robot, lo stesso principio regge il tracciamento di visori AR e VR, dove il vincolo aggiuntivo è il ritardo tra movimento reale e immagine aggiornata.

La localizzazione e mappatura simultanee è il problema che un robot mobile affronta quando non sa dove si trova e non ha una mappa dell'ambiente intorno a sé. Deve costruire quella mappa e usarla nello stesso momento per stimare la propria posizione. In robotica il compito prende il nome di SLAM, dall'inglese Simultaneous Localization and Mapping.

Perché i due problemi si risolvono insieme

Localizzare vuol dire dedurre la posizione avendo già una mappa. Mappare vuol dire dedurre la mappa conoscendo le posizioni. Presi separatamente, entrambi hanno soluzioni note. Messo insieme, il robot non ha né l'uno né l'altro dato di partenza: ogni stima della posizione dipende dalla mappa, e ogni aggiornamento della mappa dipende dalla posizione stimata.

L'odometria, cioè il conteggio dei giri di ruota o dei passi del motore, fornisce una posizione approssimativa. Gli errori si sommano a ogni movimento, quindi la stima può uscire di scala. Sensori come il laser o la telecamera correggono la deriva, ma solo se il robot riconosce elementi dell'ambiente che ha già visto prima.

Le fasi di un ciclo di localizzazione e mappatura simultanee

Un sistema SLAM ripete la stessa sequenza a ogni nuovo dato dei sensori.

  1. Predizione. Il modello di movimento stima dove è finito il robot dopo il comando ricevuto, usando odometria e cinematica.
  2. Percezione. Il laser o la telecamera misurano l'ambiente e ne estraggono elementi riconoscibili, i landmark.
  3. Associazione dei dati. Ogni landmark osservato viene confrontato con quelli già in mappa per capire se è lo stesso oggetto o uno nuovo.
  4. Correzione. Il filtro di stima aggiorna insieme posizione e mappa, riducendo l'incertezza di entrambe.
  5. Ripetizione. La mappa aggiornata serve alla stima successiva e il ciclo ricomincia.

Il cuore di molti sistemi classici è il filtro di Kalman esteso, che gestisce relazioni non lineari tra movimento e misure. L'errore di posizione e l'errore della mappa vengono rappresentati come una nuvola di probabilità: il robot non dichiara "sono qui", indica una zona in cui è probabile che si trovi.

L'estrazione dei landmark segue due strade principali. I landmark a picco sfruttano i punti in cui la lettura del laser cambia bruscamente: funzionano tra spigoli e mobili, falliscono in corridoi lisci. Il metodo RANSAC campiona le letture a caso, cerca con i minimi quadrati la linea che meglio le approssima e tiene solo i punti coerenti, scartando gli altri come outlier.

Il modello di movimento conta

Mappare solo immagini e nuvole di punti, ignorando come si muove il robot, produce stime discontinue: un solo aggiornamento può far balzare la stima di dieci metri in avanti, mentre il robot avanza a un metro al secondo. Si corregge fondendo il modello di movimento con più sensori oppure aggiungendo un algoritmo di recupero che riporta la stima su un valore plausibile. Per un robot dotato di braccio, la geometria del movimento si appoggia agli stessi calcoli della cinematica inversa robotica.

Quali varianti esistono

TipoSensore principaleNote
SLAM lidarLaser scannerPreciso sulle distanze, diffuso su robot di servizio e nei magazzini
SLAM visualeTelecameraCosta poco, soffre con poca luce o superfici uniformi
Multi-sensoreLaser, telecamera, IMU, odometriaFonde le misure per limitare la deriva
SLAM acusticoArray di microfoniLocalizza sorgenti sonore e il sensore stesso

Tra gli algoritmi storici, EKF-SLAM tiene in un unico filtro la posizione del robot e tutti i landmark. FastSLAM scompone il problema in una parte che campiona le traiettorie e una parte che costruisce mappe condizionate, così regge un numero maggiore di punti di riferimento. Le varianti visuali, note come vSLAM, lavorano su caratteristiche estratte dalle immagini.

Dove si usa

  • Robot aspirapolvere: senza SLAM si muove a caso, consuma più batteria e non copre tutta la superficie; con SLAM calcola gli spostamenti e costruisce la mappa degli ostacoli, evitando di ripassare due volte lo stesso punto.
  • Magazzini: flotte di robot che spostano scaffali hanno bisogno di una mappa condivisa e aggiornata.
  • Auto a guida autonoma: parcheggiare in un posto libero o seguire un percorso richiede posizione e mappa coerenti.
  • Droni: consegnare un pacco in un ambiente mai visto prima.
  • Realtà aumentata: il visore deve collocare oggetti virtuali stabili rispetto al mondo reale, come descritto nella pagina su SLAM e realtà aumentata.

Le auto autonome spesso evitano la SLAM completa

Molte auto a guida autonoma non costruiscono la mappa mentre guidano. Si appoggiano a mappe molto dettagliate, preparate in anticipo, che arrivano a segnare la posizione di ogni tratto di striscia bianca e di ogni cordolo. Il problema si riduce così a una localizzazione su mappa nota, con l'aggiornamento in tempo reale limitato a oggetti mobili come auto e pedoni. È una scelta pratica: rende la guida più prevedibile.

Quando la SLAM sbaglia

Il guasto più insidioso è l'associazione errata dei dati: il sistema scambia un landmark appena visto per uno già mappato, oppure non lo rivede in ogni fotogramma. La mappa si deforma di conseguenza e la posizione stimata segue l'errore. Ambienti senza dettagli, come un corridoio lungo e uniforme, riducono i landmark disponibili. Sott'acqua il laser non funziona come in aria e servono sensori acustici o sonar. Anche la sincronizzazione tra odometria e scansione laser è critica: se i tempi non coincidono, la correzione arriva riferita a una posizione che il robot ha già lasciato.

Perché conta anche in VR e AR

Un visore che traccia l'ambiente deve aggiornare la posa della testa e la mappa dello spazio con lo stesso principio. Qui il vincolo aggiuntivo è il tempo: un ritardo percepibile tra movimento reale e immagine aggiornata rompe l'immersione, come spiegato nella pagina sulla latenza motion to photon. I controller con feedback tattile aggiungono un secondo canale di tracciamento, descritto in feedback aptico VR, che deve restare allineato alla mappa per non far scivolare le sensazioni rispetto a ciò che si vede.

Altre domande frequenti

Che differenza c'è tra localizzazione e mappatura?

La localizzazione deduce la posizione del robot quando la mappa è già disponibile. La mappatura deduce la forma dell'ambiente quando le posizioni sono note. La SLAM affronta le due cose contemporaneamente, perché il robot parte senza nessuno dei due dati.

La SLAM serve solo ai robot?

No. Gli stessi calcoli reggono i visori di realtà aumentata e virtuale, i droni che consegnano pacchi e le auto a guida autonoma. Cambiano i sensori e i tempi richiesti, non la struttura del problema.

Perché l'odometria da sola non basta?

Contare i giri di ruota dà una posizione approssimativa che peggiora a ogni movimento, perché gli errori si accumulano. Serve una misura esterna dell'ambiente, come una scansione laser o un'immagine, per riportare la stima su un valore corretto.

Cos'è FastSLAM?

È un algoritmo che scompone il problema in due parti: un filtro particellare che segue le possibili traiettorie del robot e una serie di mappe costruite per ciascuna traiettoria. Questa struttura permette di gestire molti più landmark rispetto a un unico filtro.

In quali ambienti la SLAM fatica di più?

Dove mancano dettagli riconoscibili, come corridoi lunghi e uniformi, oppure sott'acqua, dove il laser perde efficacia. Anche un'associazione sbagliata tra un landmark nuovo e uno già mappato deforma la mappa in modo difficile da correggere.

Pagine correlate

  • Controllore PID robotica controllo movimento: guida

    Un controllore PID confronta la posizione o la velocità desiderata di un robot con quella misurata e corregge l’errore combinando tre contributi: proporzionale, integrale e derivativo. La qualità del movimento dipende dalla scelta dei guadagni, dalla frequenza di aggiornamento e da misure affidabili.

  • Come funziona ROS nella robotica: architettura e nodi

    ROS è un middleware open source, non un sistema operativo: fornisce astrazione dall'hardware, scambio di messaggi tra processi e gestione dei pacchetti per costruire software robotico. Il funzionamento si basa su nodi indipendenti che si scambiano dati tramite topic, servizi e azioni, con strumenti per visualizzare, registrare e riprodurre ciò che accade sul robot.

  • Uncanny valley robotica: come i robot realistici inquietano

    L'uncanny valley è la fascia in cui un robot somiglia all'uomo abbastanza da attivare le nostre aspettative sociali, ma non abbastanza da soddisfarle: al posto della simpatia arriva il disagio. La teoria formulata da Masahiro Mori prevede che l'affinità cali proprio in prossimità del realismo umano, e che il movimento renda la valle più profonda. Chi progetta evita il problema scegliendo forme dichiaratamente meccaniche o stilizzate, coerenti tra texture, proporzioni e tempi di reazione.

  • Effettori terminali robotica: tipi, pinze e usi industriali

    Un effettore terminale è lo strumento montato all'estremità del braccio robotico: è la parte che afferra, salda, vernicia o misura. Si divide in tre famiglie, pinze, utensili di processo e sensori, e la scelta dipende da peso e geometria del pezzo, tempo di ciclo, ambiente e precisione richiesta. Il catalogo conta centinaia di modelli, dalle pinze a ganasce alle ventose fino alle prese elettrostatiche per il micro-handling.

  • Sensori robot autonomi: LiDAR, IMU e telecamere

    I sensori robot autonomi si dividono in interni, che misurano lo stato del veicolo (IMU, encoder), ed esterni, che leggono l'ambiente (LiDAR, telecamere, ultrasuoni, prossimità). Nessuno basta da solo: la navigazione nasce dalla fusione di più misure, usata per localizzarsi, mappare e fermarsi in sicurezza davanti a persone e ostacoli.

  • Robot collaborativi vs robot industriali: le differenze

    I robot industriali puntano su velocità, portata elevata e precisione estrema dentro celle protette, e convengono su grandi lotti con processo stabile. I cobot costano meno, si programmano più facilmente e condividono lo spazio con gli operatori, con portate in genere tra 3 e 35 kg e un ritorno dell'investimento intorno all'anno. La scelta dipende dal compito, dal volume di produzione e da quanto quel processo resterà invariato.

Come è stata preparata questa pagina

Prima della stesura, l’argomento è stato studiato sulle fonti qui sotto. La pagina ha poi superato controlli di qualità automatici.

Segnala un errore in questa pagina