Esta página se ha traducido mediante traducción automática. Haga clic aquí para ver la última versión en inglés.

SLAM

Localización y mapeo simultáneos en 2D y 3D

La localización y mapeo simultáneos (SLAM) utiliza algoritmos Aplicación y Localización y estimación de pose. para crear un mapa y localizar su vehículo en ese mapa al mismo tiempo. Utilice lidarSLAM para ajustar su propio algoritmo SLAM que procesa escaneos LiDAR y estimaciones de posición de odometría para construir un mapa de forma iterativa. Utilice buildMap para tomar datos registrados y filtrados para crear un mapa usando SLAM. La app SLAM Map Builder le permite modificar manualmente las poses relativas y alinear los escaneos para mejorar la precisión de su mapa.

Para obtener más información sobre qué es SLAM y otras herramientas SLAM en otras toolboxesMATLAB®, consulte ¿Qué es SLAM?.

Apps

Cree mapas de cuadrícula 2D utilizando SLAM basado en lidar

Funciones

expandir todo

monovslamLocalización y mapeo visual simultáneo (vSLAM) y fusión de sensores visuales-inerciales con cámara monocular (Desde R2025a)
rgbdvslamLocalización y mapeo visual simultáneo basado en características (vSLAM) y fusión de sensores visuales-inerciales con cámara RGB-D (Desde R2025a)
stereovslamLocalización y mapeo visual simultáneo basado en características (vSLAM) y fusión de sensores visuales-inerciales con cámara estéreo (Desde R2025a)
ekfSLAMRealice localización y mapeo simultáneos utilizando el filtro Kalman extendido (Desde R2021b)
lidarSLAM Realizar localización y mapeo mediante escaneos LIDAR
buildMapCree un mapa de ocupación a partir de escaneos LIDAR
poseGraph Crear gráfico de pose 2D
poseGraph3D Crear gráfico de pose en 3D
poseGraphSolverOptionsOpciones de solución para la optimización del gráfico de pose
optimizePoseGraphOptimizar nodos en el gráfico de pose
trimLoopClosuresOptimice el gráfico de pose y elimine cierres de bucle incorrectos
poseplot3-D pose plot (Desde R2021b)
factorGraphMarco basado en gráficos para la estimación del estado de múltiples sensores (Desde R2022a)
importFactorGraphImportar gráfico de factores desde el archivo de registro de g2o (Desde R2022a)
factorIMUConvertir lecturas de IMU a factor (Desde R2022a)
factorGPSFactor para medición GPS (Desde R2022a)
factorTwoPoseSE2Factor que relaciona dos poses SE(2) (Desde R2022a)
factorTwoPoseSE3Factor que relaciona dos poses SE(3) (Desde R2022a)
factorTwoPoseSIM3Factor que relaciona dos poses SIM(3) (Desde R2025a)
factorPoseSE2AndPointXYFactor que relaciona la posición SE(2) y el punto 2-D (Desde R2022b)
factorPoseSE3AndPointXYZFactor que relaciona la posición SE(3) y el punto 3-D (Desde R2022b)
factorIMUBiasPriorFactor previo para el sesgo de IMU (Desde R2022a)
factorVelocity3PriorFactor previo para la velocidad 3-D (Desde R2022a)
factorPoseSE3PriorFactor previo de estado completo para la pose SE (3) (Desde R2022a)
factorCameraSE3AndPointXYZFactor que relaciona la posición de la cámara SE(3), el punto de referencia 3D y la transformación del sensor opcional (Desde R2023a)
estimateGravityRotationEstimar la rotación de la gravedad mediante la optimización del gráfico de factores (Desde R2023a)
estimateGravityRotationAndPoseScaleEstimar la rotación de la gravedad y la escala de la pose utilizando la optimización del gráfico de factores (Desde R2023a)
estimateCameraIMUTransformEstimar la transformación de la cámara al sensor IMU utilizando datos de calibración (Desde R2024a)

Temas

Ejemplos destacados

SLAM visual monocular de alto rendimiento y fácil de implementar

SLAM visual monocular de alto rendimiento y fácil de implementar

Localización y mapeo visual simultáneo (vSLAM) se refiere al proceso de calcular la posición y orientación de una cámara con respecto a su entorno mientras se mapea simultáneamente el entorno. Las aplicaciones de vSLAM incluyen realidad aumentada, robótica y conducción autónoma. En este ejemplo, el algoritmo utiliza únicamente entradas visuales de la cámara.

Construya un mapa a partir de datos Lidar usando SLAM

Construya un mapa a partir de datos Lidar usando SLAM

Procesar datos LiDAR 3D de un sensor en un vehículo para construir progresivamente un mapa y estimar la trayectoria utilizando SLAM.

Odometría visual-inercial monocular (VIO) mediante grafo de factores

Odometría visual-inercial monocular (VIO) mediante grafo de factores

Implementar odometría visual-inercial monocular para localizar un UAV utilizando datos de cámara e IMU, optimizados mediante un grafo de factores.

SLAM de punto de referencia usando marcadores AprilTag

SLAM de punto de referencia usando marcadores AprilTag

Combine los datos de odometría del robot y los marcadores AprilTag para implementar SLAM con un gráfico de factores y un gráfico de pose, y compare los resultados.

Mapee el área interior usando Lidar SLAM y gráfico de factores

Mapee el área interior usando Lidar SLAM y gráfico de factores

Implemente SLAM lidar fuera de línea en escaneos lidar recopilados para mapear un área interior utilizando un gráfico de factores y un mapa de escaneo lidar.

Construya e implemente el algoritmo SLAM visual con ROS en MATLAB

Construya e implemente el algoritmo SLAM visual con ROS en MATLAB

Implemente un algoritmo SLAM visual monocular para estimar las poses de la cámara e implementar el código C++ generado usando ROS.

Simulación del sistema SLAM visual RGB-D con cosimulación en Gazebo y Simulink

Simulación del sistema SLAM visual RGB-D con cosimulación en Gazebo y Simulink

Utilice imágenes RGB y de profundidad de un robot para simular un sistema SLAM visual RGB-D en Simulink.

SLAM basado en EKF con puntos de referencia

SLAM basado en EKF con puntos de referencia

Implemente SLAM de referencia utilizando el algoritmo de filtro Kalman extendido para rastrear la ruta de un vehículo y mapear los alrededores.

Implementar localización y mapeo simultáneos (SLAM) con escaneos Lidar

Implementar localización y mapeo simultáneos (SLAM) con escaneos Lidar

Implemente SLAM fuera de línea utilizando un gráfico de posición y una serie de recopilación de escaneos LiDAR , y construya un mapa del entorno.