کالبدشکافی SLAM: چگونه ربات‌ها و هدست‌های واقعیت ترکیبی نقشه‌برداری و مکان‌یابی را همزمان انجام می‌دهند؟

یک هدست واقعیت ترکیبی مدرن، در هر ثانیه بین ۶۰ تا ۱۲۰ فریم تصویر را از چندین دوربین پردازش می‌کند تا موقعیت دقیق خود را در فضا در کمتر از ۲۰ میلی‌ثانیه محاسبه کند. برای درک بهتر این مقیاس، در مدت زمانی که شما یک بار پلک می‌زنید (حدود ۳۰۰ میلی‌ثانیه)، این دستگاه‌ها بین ۱۵ تا ۳۰ بار نقشه اتاق را به‌روزرسانی کرده و جایگاه شما را در آن از نو تخمین زده‌اند.

این حجم از محاسبات بی‌وقفه، پایه و اساس فناوری است که شرکت‌های فناوری آن را با نام‌های پر زرق و برقی چون «رایانش فضایی» می‌فروشند، اما در دنیای مهندسی رباتیک با یک نام مخفف و قدیمی‌تر شناخته می‌شود: SLAM.[4]

واژه SLAM مخفف «مکان‌یابی و نقشه‌برداری همزمان» (Simultaneous Localization and Mapping) است. این الگوریتم پاسخی به یک معمای کلاسیک «مرغ و تخم‌مرغ» در علوم کامپیوتر است: برای اینکه یک ربات یا هدست بداند کجاست، به یک نقشه نیاز دارد؛ اما برای کشف و رسم آن نقشه، ابتدا باید بداند که دقیقاً در چه نقطه‌ای ایستاده است.

تیم مهندسی Trossen Robotics در گزارش سپتامبر ۲۰۲۶ خود این چالش را چنین توصیف می‌کند: «در هسته خود، SLAM مخفف مکان‌یابی و نقشه‌برداری همزمان است. به آن به عنوان فرآیندی فکر کنید که یک ربات برای کاوش در یک فضای جدید و رسم نقشه آن استفاده می‌کند، در حالی که همزمان موقعیت خود را روی همان نقشه ردیابی می‌کند.»[2]

از دهه ۱۹۸۰ میلادی، محققان در تلاش بوده‌اند تا این دو کار را به صورت همزمان انجام دهند. در سال ۲۰۰۵، خودروی خودران استنلی (Stanley) با استفاده از همین الگوریتم‌ها برنده چالش بزرگ دارپا (DARPA) شد. اما رساندن این فناوری از صندوق عقب یک خودروی بزرگ به داخل یک عینک سبک‌وزن، نیازمند جهش‌های سخت‌افزاری عظیمی بود که در دو دهه گذشته رخ داد.[1]

امروزه، هدست‌ها و پهپادهای مصرفی عمدتاً از روشی به نام Visual SLAM (یا V-SLAM) استفاده می‌کنند. در این روش، دوربین‌های دستگاه به دنبال «نقاط ویژگی» (Feature Points) در محیط می‌گردند؛ چیزهایی مانند لبه‌های تیز یک میز، گوشه قاب عکس یا بافت یک فرش. با حرکت کاربر، دستگاه بررسی می‌کند که این نقاط چگونه در میدان دید دوربین جابه‌جا می‌شوند.

اگر لبه میز به سمت چپ تصویر حرکت کند، الگوریتم نتیجه می‌گیرد که شما به سمت راست حرکت کرده‌اید. با معرفی دوربین‌های عمق‌سنج (RGB-D) در حدود سال ۲۰۱۰، دستگاه‌ها توانستند علاوه بر تصویر، فاصله فیزیکی این نقاط را نیز با دقت میلی‌متری ثبت کنند.[3][4]

با این حال، اتکا به دوربین‌ها به تنهایی کافی نیست. دوربین‌ها در تاریکی یا در برابر دیوارهای سفید و بدون بافت کور می‌شوند. به همین دلیل، سیستم‌های امروزی از نوعی SLAM به نام VI-SLAM (مکان‌یابی و نقشه‌برداری همزمان بصری-اینرسی) بهره می‌برند.

در این معماری، داده‌های دوربین با اطلاعات حسگرهای حرکتی (IMU) ترکیب می‌شود. حسگر IMU می‌تواند شتاب و چرخش را در فواصل زمانی بسیار کوتاه (با فرکانس‌های بالای ۲۰۰ هرتز) اندازه‌گیری کند و در کسری از ثانیه که دوربین در حال ثبت فریم بعدی است، جای خالی اطلاعات را پر کند.[3]

شرکت‌های سازنده هدست‌ها در ویدیوهای تبلیغاتی خود، دنیایی بی‌نقص را به تصویر می‌کشند که در آن پنجره‌های مجازی برای همیشه در جای خود میخکوب شده‌اند. اما واقعیت مهندسی بسیار شکننده‌تر است. بزرگترین دشمن SLAM پدیده‌ای به نام «رانش» (Drift) است. از آنجا که هر تخمین موقعیت بر اساس تخمین قبلی انجام می‌شود، خطاهای میکروسکوپی به تدریج روی هم انباشته می‌شوند. اگر شما در یک اتاق بزرگ قدم بزنید و به نقطه شروع بازگردید، ممکن است سیستم فکر کند شما ۱۰ سانتی‌متر دورتر از جای واقعی خود هستید.[4]

کاربرد این فناوری بسیار فراتر از عینک‌های واقعیت مجازی است. پهپادهای بازرسی که وظیفه بررسی زیرساخت‌های حیاتی مانند پل‌ها یا خطوط انتقال برق را بر عهده دارند، نمی‌توانند به سیگنال‌های جی‌پی‌اس (GPS) تکیه کنند. جی‌پی‌اس در محیط‌های سرپوشیده، تونل‌ها یا دره‌های شهری به شدت ضعیف می‌شود و خطای آن می‌تواند به چندین متر برسد.

در این محیط‌های اصطلاحاً «محروم از جی‌پی‌اس» (GPS-denied)، الگوریتم‌های SLAM با استفاده از دوربین‌ها و رادارهای لیزری (LiDAR)، به پهپاد اجازه می‌دهند تا در لحظه یک نقشه سه‌بعدی از محیط بسازد و بدون برخورد با موانع، مسیر خود را پیدا کند.[2]

یکی از تکنیک‌های حیاتی برای جلوگیری از فروپاشی این نقشه‌ها، مکانیزمی به نام «بستن حلقه» (Loop Closure) است. وقتی یک ربات یا کاربر هدست پس از طی کردن یک مسیر طولانی به نقطه‌ای می‌رسد که قبلاً آن را دیده است، الگوریتم SLAM این شباهت را تشخیص می‌دهد.

در این لحظه، سیستم متوجه می‌شود که خطای انباشته‌شده باعث کج شدن نقشه شده است و با استفاده از یک فرآیند ریاضی به نام «بهینه‌سازی گراف» (Graph Optimization)، تمام مسیر طی شده را به عقب برمی‌گردد و مختصات را اصلاح می‌کند تا نقشه دوباره یکپارچه شود.[1][3]

با وجود تمام این پیشرفت‌ها، الگوریتم‌های SLAM هنوز در محیط‌های پویا گیج می‌شوند. اگر در اتاقی باشید که افراد زیادی در آن در حال حرکت هستند، سیستم نقاط ویژگی متحرک را با نقاط ثابت اشتباه می‌گیرد و ممکن است نقشه دچار اختلال شود.

نسل بعدی این فناوری به سمت استفاده از شبکه‌های عصبی عمیق حرکت می‌کند تا سیستم بتواند اشیاء را درک کند و تفاوت بین یک انسان متحرک و یک دیوار ثابت را بفهمد. تا زمانی که این درک معنایی به طور کامل در سخت‌افزارهای کم‌مصرف پیاده‌سازی نشود، رویای یک نقشه فضایی بی‌نقص و بدون خطا، همچنان یک هدف در حال توسعه باقی خواهد ماند.[4]