فحص متعمق لطرق SLAM: التحديات والتطورات والتطبيقات في المشاهد المعقدة للقيادة الذاتية

إن الإدراك الدقيق للبيئة والتحديد الموثوق في الوقت الحقيقي أساسيان لتحقيق وظائف المساعدة المتقدمة للسائق. في هذا السياق، أصبحت تقنية تحديد المواقع ورسم الخرائط المتزامنة (SLAM) بتفوقاتها الفريدة واحدة من التقنيات الأساسية الضرورية في مجال القيادة الذاتية. ومع ذلك، مع استمرار تعقيد وتنوع البيئة المرورية للمركبات الذاتية (AVs)، مثل الشوارع الحضرية والطرق السريعة وظروف الطقس السيئة، تفرض هذه التحديات متطلبات أعلى على قدرات تحديد المواقع ورسم الخرائط للمركبات، كما تقدم فرصًا وتحديات جديدة لمزيد من التحسين والتطبيق لـ SLAM. في هذه المقالة، نقوم بإجراء تحليل شامل ومعمق لحالة البحث الحالية وتطبيقات SLAM في المشاهد المعقدة للقيادة الذاتية. أولاً، نستكشف التحديات التي تواجهها AVs في مشاهد معقدة مختلفة، بما في ذلك تدخل الكائنات الديناميكية، ومتطلبات التحديد الدقيق ورسم الخرائط في المشاهد الكبيرة، وكذلك الظروف البيئية ومتغيرات الطقس. بعد ذلك، نتعمق في استراتيجيات التكيف وطرق SLAM في هذه المشاهد المحددة. أخيرًا، نقارن ونلخص مجموعات البيانات المتعلقة بـ SLAM في المشاهد المعقدة للقيادة الذاتية ونشير إلى بعض اتجاهات البحث المحتملة لتحقيق مستوى عالٍ من القيادة الذاتية. نأمل أن تتبع هذه الدراسة آخر التقدمات في SLAM للمركبات الذاتية. لتعزيز تطوير مجتمع المصادر المفتوحة والبحث الأكاديمي في المستقبل، أنشأنا مستودعًا https://github.com/herofly1/CQU-AVL-SLAM يقدم أوراق مراجعة وموارد منهجية ذات صلة.