Robotikte SLAM Nedir? Eşzamanlı Konumlandırma ve Haritalama Çalışma Prensipleri

Otonom robotların GPS sinyali olmayan, tamamen yabancı mekanlarda kaybolmadan hareket etmesini sağlayan "SLAM" (Simultaneous Localization and Mapping) teknolojisinin arkasındaki donanım, yazılım ve matematiksel temelleri inceliyoruz.

Gündelik hayatımızda kullandığımız akıllı akıllı süpürgelerden Amazon depolarındaki lojistik robotlarına, otonom araçlardan uzay keşif araçlarına (Rover) kadar modern robotik sistemlerin en kritik yeteneklerinden biri otonom haritalama ve navigasyondur. Peki bir robot, hiç bilmediği bir odaya bırakıldığında nerede olduğunu nasıl anlar ve aynı anda çevresinin haritasını nasıl çizer?

İşte bu temel mühendislik problemi, robotik literatüründe SLAM (Simultaneous Localization and Mapping - Eşzamanlı Konumlandırma ve Haritalama) olarak adlandırılır.

1 Tavuk-Yumurta İkilemi: Konumlandırma mı, Haritalama mı?

SLAM algoritmalarını anlamak için öncelikle çözdüğü klasik mantık ikilemini kavramak gerekir:

• Konumlandırma (Localization): Robotun mevcut harita üzerindeki X, Y (ve 3D için Z) koordinatlarını hesaplayabilmesi için önceden çizilmiş güvenilir bir haritaya ihtiyacı vardır.
• Haritalama (Mapping): Robotun çevresindeki engellerin doğru bir haritasını çizebilmesi için her an kendinin tam olarak nerede olduğunu bilmesi gerekir.

Eğer elinizde bir harita yoksa nerede olduğunuzu bilemezsiniz; nerede olduğunuzu bilmiyorsanız doğru bir harita çizemezsiniz. SLAM algoritmaları, Olasılıksal Durum Kestirimi (Probabilistic State Estimation) tekniklerini kullanarak bu iki bilinmeyen denklemi aynı anda çözer.

2 Donanım Mimarisi: SLAM Türleri ve Sensörler

SLAM uygulamalarında kullanılan birincil algılayıcı sensör tipine göre teknoloji iki ana kategoriye ayrılır:

A. LiDAR tabanlı SLAM (2D ve 3D)

Dönen lazer ışınları sayesinde saniyede yüz binlerce nokta mesafesi ölçen LiDAR (Light Detection and Ranging) sensörleri kullanılır. Yüksek hassasiyet ve milimetrik doğruluk sunar. Gmapping, Cartographer ve LOAM algoritmaları bu kategoriye örnektir.

B. Görsel SLAM (Visual SLAM / vSLAM)

Tekli (Monocular), çiftli (Stereo) veya derinlik kameraları (RGB-D) kullanır. Görüntü üzerindeki köşe, kenar ve doku özniteliklerini (SIFT, ORB vb.) takip ederek harita oluşturur. Maliyet açısından daha ekonomiktir ancak ışık değişimlerinden ve düz duvar gibi dokusuz yüzeylerden etkilenir. ORB-SLAM3 ve RTAB-Map en bilinen vSLAM kütüphaneleridir.

3 Algoritmanın Temel Çalışma Adımları

Tipik bir SLAM yazılım döngüsü şu adımlarla çalışır:

1. Odomatrik Hareket Tahmini: Robot tekerlek hareketleri ve IMU verisi ile bir sonraki konumunu öngörür.
2. Sensör Ölçümü: LiDAR veya kamera ile çevredeki engel/nirengi noktalarının mesafesi ölçülür.
3. Veri Eşleme (Data Association): Yeni alınan tarama verisi, geçmişte çizilen haritadaki verilerle üst üste çakıştırılır.
4. Durum Güncellemesi: Genişletilmiş Kalman Filtresi (EKF SLAM) veya Parçacık Filtresi (FastSLAM) kullanılarak en olasılıklı konum ve harita güncellenir.
5. Döngü Kapatma (Loop Closure): Robot önceden ziyaret ettiği bir noktaya döndüğünde bunu tespit eder ve aradaki tüm birikimli mesafe hatalarını geriye dönük olarak düzeltir.

4 ROS 2 (Robot Operating System) ile Basit SLAM Konfigürasyonu

Günümüzde robotik geliştiriciler SLAM sistemlerini sıfırdan yazmak yerine ROS / ROS 2 ekosistemindeki hazır paketleri (örneğin slam_toolbox veya cartographer_ros) yapılandırır. Aşağıda tipik bir Python ve ROS 2 düğümünün SLAM harita veri aboneliği mantığı gösterilmiştir:

import rclpy
from rclpy.node import Node
from nav_msgs.msg import OccupancyGrid

class SlamMapSubscriber(Node):
    def __init__(self):
        super().__init__('slam_map_subscriber')
        # Navigasyon haritası (OccupancyGrid) konusuna abone olunuyor
        self.subscription = self.create_subscription(
            OccupancyGrid,
            '/map',
            self.map_callback,
            10
        )
        self.get_logger().info('SLAM Harita Dinleyici Düğümü Başlatıldı.')

    def map_callback(self, msg):
        width = msg.info.width
        height = msg.info.height
        resolution = msg.info.resolution
        self.get_logger().info(f'Harita Güncellendi: {width}x{height} piksel | Çözünürlük: {resolution} m/px')

def main(args=None):
    rclpy.init(args=args)
    node = SlamMapSubscriber()
    rclpy.spin(node)
    node.destroy_node()
    rclpy.shutdown()

if __name__ == '__main__':
    main()