Diese Seite wurde mithilfe maschineller Übersetzung übersetzt. Klicken Sie hier, um das englische Original zu sehen.

SLAM

Simultane Positionsbestimmung und Kartierung in 2D und 3D

Bei der simultanen Lokalisierung und Kartierung (SLAM) werden sowohl Abbildung als auch -Algorithmen verwendet, um eine Karte zu erstellen und gleichzeitig Ihr Fahrzeug in dieser Karte zu lokalisieren. Verwenden Sie lidarSLAM, um Ihren eigenen SLAM-Algorithmus zu optimieren, der Lidar-Scans und Odometrie-Pose-Schätzungen verarbeitet, um iterativ eine Karte zu erstellen. Verwenden Sie buildMap, um aus protokollierten und gefilterten Daten mithilfe von SLAM eine Karte zu erstellen. Mit der SLAM Map Builder-App können Sie relative Posen manuell ändern und Scans ausrichten, um die Genauigkeit Ihrer Karte zu verbessern.

Weitere Informationen darüber, was SLAM ist und welche anderen SLAM-Tools in anderen MATLAB^®-Toolboxes enthalten sind, finden Sie unter Was ist SLAM?.

Apps

SLAM Map Builder

Erstellen Sie 2D-Rasterkarten mit SLAM auf Lidar-Basis

Funktionen

alle erweitern

Visueller SLAM

`monovslam`	Visual simultaneous localization and mapping (vSLAM) and visual-inertial sensor fusion with monocular camera (Seit R2025a)
`rgbdvslam`	Feature-based visual simultaneous localization and mapping (vSLAM) and visual-inertial sensor fusion with RGB-D camera (Seit R2025a)
`stereovslam`	Feature-based visual simultaneous localization and mapping (vSLAM) and visual-inertial sensor fusion with stereo camera (Seit R2025a)

EKF-SLAM

ekfSLAM Perform simultaneous localization and mapping using extended Kalman filter (Seit R2021b)

2D-LiDAR-SLAM

`lidarSLAM`	Perform localization and mapping using lidar scans
`buildMap`	Build occupancy map from lidar scans

Faktorgraph (Multi-Sensor SLAM Framework)

`factorGraph`	Graph-based framework for multisensor state estimation (Seit R2022a)
`importFactorGraph`	Import factor graph from g2o log file (Seit R2022a)
`factorIMU`	Convert IMU readings to factor (Seit R2022a)
`factorGPS`	Factor for GPS measurement (Seit R2022a)
`factorTwoPoseSE2`	Factor relating two SE(2) poses (Seit R2022a)
`factorTwoPoseSE3`	Relative pose factor connecting two SE(3) poses (Seit R2022a)
`factorTwoPoseSIM3`	Factor relating two SIM(3) poses (Seit R2025a)
`factorPoseSE2AndPointXY`	Factor relating SE(2) position and 2-D point (Seit R2022b)
`factorPoseSE3AndPointXYZ`	Factor relating SE(3) position and 3-D point (Seit R2022b)
`factorIMUBiasPrior`	Prior factor for IMU bias (Seit R2022a)
`factorVelocity3Prior`	Prior factor for 3-D velocity (Seit R2022a)
`factorPoseSE3Prior`	Full-state prior factor for SE(3) pose (Seit R2022a)
`factorTransformSE3Prior`	Full-state prior factor for SE(3) transform (Seit R2026a)
`factorCameraSE3AndPointXYZ`	Factor relating SE(3) camera pose, 3-D landmark point, and optional sensor transform (Seit R2023a)
`estimateGravityRotation`	Estimate gravity rotation using factor graph optimization (Seit R2023a)
`estimateGravityRotationAndPoseScale`	Estimate gravity rotation and pose scale using factor graph optimization (Seit R2023a)
`estimateCameraIMUTransform`	Estimate transformation from camera to IMU sensor using calibration data (Seit R2024a)

Pose-Graphen

`poseGraph`	Create 2-D pose graph
`poseGraph3D`	Create 3-D pose graph
`poseGraphSolverOptions`	Solver options for pose graph optimization
`optimizePoseGraph`	Optimize nodes in pose graph
`trimLoopClosures`	Optimize pose graph and remove bad loop closures
`poseplot`	3-D pose plot (Seit R2021b)

Themen

Choose SLAM Workflow Based on Sensor Data
Choose the right simultaneous localization and mapping (SLAM) workflow and find topics, examples, and supported features.
Factor Graph for SLAM
Learn about factor graph and how it use it for SLAM applications.

Enthaltene Beispiele

Performant and Deployable Monocular Visual SLAM

Visual simultaneous localization and mapping (vSLAM) refers to the process of calculating the position and orientation of a camera with respect to its surroundings while simultaneously mapping the environment. Applications for vSLAM include augmented reality, robotics, and autonomous driving. In this example, the algorithm uses only visual inputs from the camera.

Seit R2024a
Live Script öffnen

Build a Map from Lidar Data Using SLAM

Process 3-D lidar data from a sensor on a vehicle to progressively build a map and estimate the trajectory using SLAM.

Seit R2024a
Live Script öffnen

Monocular Visual-Inertial Odometry (VIO) Using Factor Graph

Implement monocular visual-inertial odometry to localize a UAV using camera and IMU data, optimized by a factor graph.

Seit R2023b
Live Script öffnen

Factor Graph-Based Pedestrian Localization with IMU and GPS Sensors

Estimate the position of a pedestrian using logged sensor data from an inertial measurement unit (IMU) and Global Positioning System (GPS) receiver and a factor graph.

Live Script öffnen

Landmark SLAM Using AprilTag Markers

Combine robot odometry data and AprilTag markers to implement SLAM with a factor graph and pose graph, and compare the results.

Live Script öffnen

Map Indoor Area Using Lidar SLAM and Factor Graph

Implement offline lidar SLAM on collected lidar scans to map an indoor area using a factor graph and lidar scan map.

Live Script öffnen

Build and Deploy Visual SLAM Algorithm with ROS in MATLAB

Implement a monocular visual SLAM algorithm to estimate camera poses and deploy generated C++ code using ROS.

Live Script öffnen

Simulate RGB-D Visual SLAM System with Cosimulation in Gazebo and Simulink

Use RGB and depth images from a robot to simulate a RGB-D visual SLAM system in Simulink.

Seit R2024b
Live Script öffnen

EKF-Based Landmark SLAM

Implement landmark SLAM using the Extended Kalman Filter algorithm to track the path of a vehicle and map the surroundings.

Live Script öffnen

Implementieren Sie Simultaneous Localization And Mapping (SLAM) mit Lidar-Scans

Implementieren Sie Offline-SLAM mithilfe eines Pose-Graphen und einer Sammlung von Lidar-Scans und erstellen Sie eine Karte der Umgebung.

Live Script öffnen