FastSLAM: una solución factorizada al problema de localización y mapeo simultáneos

La Localización y Mapeo Simultáneos (SLAM) es una capacidad esencial para robots móviles que exploran entornos desconocidos. El Filtro de Kalman Extendido (EKF) ha sido el enfoque de facto para SLAM durante los últimos quince años. Sin embargo, los algoritmos de SLAM basados en EKF sufren de dos conocidas limitaciones que complican su aplicación en entornos reales grandes: complejidad cuadrática y sensibilidad a fallos en la asociación de datos. Presentaré un enfoque alternativo para SLAM que aborda específicamente estas dos áreas. Este enfoque, llamado FastSLAM, factoriza el posterior completo de SLAM exactamente en un producto de un posterior de la trayectoria del robot y N posteriores de puntos de referencia condicionados a la estimación de la trayectoria del robot. Este posterior factorizado puede ser aproximado eficientemente usando un filtro de partículas. El tiempo requerido para incorporar una observación en FastSLAM escala logarítmicamente con el número de puntos de referencia en el mapa. Además de muestrear trayectorias del robot, FastSLAM puede muestrear sobre posibles asociaciones de datos. El muestreo sobre asociaciones de datos permite a FastSLAM