Licenza YOLO
Torna al glossario di Ultralytics

Visual SLAM (Simultaneous Localization and Mapping)

Lo SLAM visivo crea una mappa di uno spazio sconosciuto e, al contempo, traccia la posa della telecamera a partire dalle immagini. Panoramica di tracking, chiusura del loop, scala e deep SLAM.

Lo SLAM visivo (localizzazione e mappatura simultanee) consiste nel costruire una mappa di un ambiente sconosciuto tracciando al contempo la posizione e l'orientamento della fotocamera, usando le immagini come sensore principale. Le due componenti dipendono l'una dall'altra: per localizzare la fotocamera serve una mappa e per costruire la mappa bisogna sapere dove si trovava la fotocamera. I sistemi di SLAM visivo usano una singola fotocamera (monoculare), una coppia stereo o una fotocamera RGB-D che misura anche la profondità; molti integrano anche un'unità di misura inerziale (IMU), nel qual caso si parla di SLAM visivo-inerziale o, senza una mappa persistente, di odometria visivo-inerziale. Telefoni e visori lo usano per ancorare i contenuti di realtà aumentata, come fa ARKit di Apple fondendo le caratteristiche della fotocamera con i dati dei sensori di movimento; robot e droni lo usano per navigare dove il GPS non è disponibile.

Come funziona lo SLAM visivo#

Un sistema tipico esegue il tracciamento, la mappatura e la chiusura dei loop come processi paralleli. PTAM, un sistema di realtà aumentata del 2007, ha separato in questo modo il tracciamento dalla mappatura; ORB-SLAM3 e la maggior parte dei successivi sistemi basati su caratteristiche seguono lo stesso schema:

  • Tracciamento: Per ogni fotogramma, il front-end rileva caratteristiche come gli angoli ORB, le confronta con la mappa o il fotogramma precedente e stima la posa della fotocamera con sei gradi di libertà. Da sola, questa stima da un fotogramma all'altro è odometria visiva. I metodi diretti come DSO ignorano le caratteristiche e allineano invece le intensità dei pixel.
  • Mappatura locale: I fotogrammi chiave selezionati aggiungono nuovi punti 3D tramite triangolazione delle caratteristiche corrispondenti, mentre la regolazione a fascio rifinisce congiuntamente le pose delle fotocamere vicine e i punti per minimizzare l'errore di riproiezione.
  • Chiusura dei loop: Piccoli errori si accumulano e generano deriva. Quando il sistema riconosce un luogo già visto, di solito confrontando descrittori compatti dell'aspetto dei fotogrammi chiave, aggiunge un vincolo tra le due visite e ottimizza l'intera traiettoria per riallineare la mappa.

Il movimento da due viste e il problema della scala#

Il fulcro della fase di tracciamento è la geometria a due viste basata sulla geometria epipolare: a partire dalle caratteristiche corrispondenti tra due fotogrammi, la matrice essenziale codifica la rotazione della fotocamera e la direzione della sua traslazione. Questo esempio OpenCV proietta punti di riferimento 3D sintetici in due fotogrammi con rumore e ricostruisce il movimento tra loro:

import cv2
import numpy as np

rng = np.random.default_rng(0)
K = np.array([[500.0, 0, 320], [0, 500.0, 240], [0, 0, 1]])  # camera intrinsics for a 640x480 image
points = rng.uniform([-1.8, -1.4, 3], [1.8, 1.4, 6], (200, 3))  # static 3D landmarks 3-6 m ahead

# Between frames the camera turns 5 degrees and moves 0.3 m to the right
R_true = cv2.Rodrigues(np.array([0.0, np.radians(5), 0.0]))[0]
t_true = np.array([-0.3, 0.0, 0.0])


def project(X, R, t):
    """Project 3D points to pixels and add 0.5 px of feature-detection noise."""
    x = (K @ (X @ R.T + t).T).T
    return x[:, :2] / x[:, 2:] + rng.normal(0, 0.5, (len(X), 2))


pts1, pts2 = project(points, np.eye(3), np.zeros(3)), project(points, R_true, t_true)

# Two-view motion estimate: essential matrix from matched features, then the relative pose
E, inliers = cv2.findEssentialMat(pts1, pts2, K, method=cv2.RANSAC, threshold=1.0)
_, R, t, _ = cv2.recoverPose(E, pts1, pts2, K, mask=inliers)
print(f"Rotation: {np.degrees(np.linalg.norm(cv2.Rodrigues(R)[0])):.2f} deg (true 5.00)")
print(f"Translation: {t.ravel().round(2).tolist()}, length {np.linalg.norm(t):.2f} (true length 0.30 m)")

Ricostruisce una rotazione di 5,72 gradi rispetto ai 5,00 effettivi e una direzione di traslazione pari a [-1.0, -0.09, 0.02] rispetto a [-1, 0, 0], ma la traslazione ha sempre lunghezza 1. Una singola fotocamera non può distinguere uno spostamento di 0,3 m davanti a oggetti vicini da uno di 3 m davanti a oggetti dieci volte più lontani; perciò lo SLAM monoculare fissa arbitrariamente la scala all'avvio, che poi deriva nel tempo. Una base stereo, un sensore di profondità o un'IMU fornisce la scala metrica.

Scene dinamiche e SLAM semantico#

La maggior parte delle pipeline SLAM presuppone un mondo statico, quindi le caratteristiche rilevate su persone che camminano e auto in transito deviano la stima della posa. I sistemi di SLAM semantico usano la segmentazione per individuare gli oggetti mobili e ignorarne le caratteristiche; nel 2018 DynaSLAM ha aggiunto a ORB-SLAM2 maschere Mask R-CNN per questo scopo. Un modello di segmentazione Ultralytics YOLO26 svolge lo stesso compito a frequenze di fotogrammi in tempo reale, producendo una maschera che limita l'estrazione delle caratteristiche alla scena statica:

import cv2
import numpy as np
from ultralytics import YOLO

model = YOLO("yolo26n-seg.pt")
results = model("https://ultralytics.com/images/bus.jpg", classes=[0, 1, 2, 3, 5, 7])  # people and vehicles
result = results[0]

# Static-scene mask: 255 where SLAM may extract features, 0 on objects that can move
static = np.full(result.orig_shape, 255, np.uint8)
for polygon in result.masks.xy:
    cv2.fillPoly(static, [polygon.astype(np.int32)], 0)

orb = cv2.ORB_create()
gray = cv2.cvtColor(result.orig_img, cv2.COLOR_BGR2GRAY)
keypoints = orb.detect(gray, None)
on_moving = sum(static[int(k.pt[1]), int(k.pt[0])] == 0 for k in keypoints)
print(f"{on_moving} of {len(keypoints)} ORB features fall on people or vehicles")

# The SLAM front-end extracts features only where the mask allows
static_keypoints = orb.detect(gray, static)
cv2.imwrite("static_features.jpg", cv2.drawKeypoints(result.orig_img, static_keypoints, None))

Il conteggio stampato indica la percentuale di caratteristiche che altrimenti proverrebbero da oggetti in movimento, mentre static_features.jpg mostra le caratteristiche rimaste per il tracciamento. Le maschere etichettate consentono anche alla mappatura semantica di associare le classi degli oggetti alla mappa stessa.

  • SLAM LiDAR: Misura direttamente le distanze tramite impulsi laser, perciò dispone di una scala metrica e funziona al buio, ma comporta costi e consumi più elevati per il sensore. Lo SLAM visivo usa fotocamere economiche e acquisisce l'aspetto della scena, facilitando il riconoscimento dei luoghi già visitati, ma ha difficoltà in condizioni di scarsa illuminazione, con sfocatura da movimento e in scene prive di texture, come le pareti lisce.
  • Odometria visiva: Il solo front-end di tracciamento, che stima il movimento ma non mantiene una mappa globale e non può correggere la deriva tramite la chiusura dei loop.
  • Ricostruzione della struttura dal movimento (SfM): Ricostruisce offline una scena a partire da una raccolta non ordinata di foto, mentre lo SLAM elabora i fotogrammi nell'ordine in cui arrivano.
  • Tracciamento degli oggetti: Segue oggetti specifici tra i fotogrammi di un video. Lo SLAM traccia la fotocamera stessa rispetto al mondo statico.

Approcci classici e appresi#

I sistemi basati su caratteristiche come ORB-SLAM3, che supporta configurazioni monoculari, stereo, RGB-D e visivo-inerziali, sono ancora molto usati perché sono veloci e accurati nelle scene ricche di texture. I sistemi appresi sostituiscono le componenti progettate a mano con reti neurali: DROID-SLAM (2021) itera aggiornamenti densi del flusso ottico attraverso un livello differenziabile di regolazione a fascio. Altri sistemi recenti memorizzano la mappa come splat gaussiani o campi di radianza neurale, producendo mappe fotorealistiche che possono essere renderizzate da nuovi punti di vista. MASt3R-SLAM, tra i punti salienti di CVPR 2025, si basa su MASt3R, un modello appreso per la ricostruzione 3D da due viste, e permette di eseguire SLAM monoculare denso a 15 FPS senza presupporre un modello parametrico fisso della fotocamera.

Esplora le soluzioni

La visione artificiale nello sport

La visione artificiale nello sport

Scopri come Ultralytics YOLO alimenta la computer vision nello sport con il tracciamento di giocatori e palloni, l'analisi delle prestazioni, gli approfondimenti per gli allenatori e la riabilitazione degli atleti.
Scopri di più
Computer vision per immagini aeree

Computer vision per immagini aeree

Trasforma immagini aeree e riprese da drone in informazioni utili in tempo reale per agricoltura, acquacoltura, conservazione e analisi geospaziale con Ultralytics YOLO.
Scopri di più
Computer vision nel settore aerospaziale

Computer vision nel settore aerospaziale

Applica la visione artificiale nel settore aerospaziale con Ultralytics YOLO per l'ispezione degli aeromobili, il rilevamento di FOD sulle piste, le operazioni di terra aeroportuali e il rilevamento di difetti nei materiali compositi.
Scopri di più
Visione artificiale nella sicurezza

Visione artificiale nella sicurezza

Proteggi ogni sito con i modelli Ultralytics YOLO. L'IA visiva alimenta il monitoraggio perimetrale, il rilevamento delle minacce, il riconoscimento delle targhe e la sicurezza sul lavoro.
Scopri di più
Visione artificiale nella robotica

Visione artificiale nella robotica

Dai più potenza alle macchine intelligenti con i modelli Ultralytics YOLO. Nell'ambito della robotica, l'IA visiva alimenta la navigazione autonoma, la percezione, il tracciamento degli oggetti e il controllo in tempo reale.
Scopri di più
Visione artificiale nella logistica

Visione artificiale nella logistica

Semplifica la logistica con i modelli Ultralytics YOLO. L'IA per la visione consente l'ispezione dei pacchi, la selezione, il tracciamento dei veicoli e il monitoraggio della sicurezza nei magazzini in tempo reale.
Scopri di più
Visione artificiale nel commercio al dettaglio

Visione artificiale nel commercio al dettaglio

Ripensa il commercio al dettaglio con i modelli Ultralytics YOLO. L'IA per la visione consente di tracciare le scorte, monitorare gli scaffali, gestire le code e ottenere informazioni più approfondite sui clienti.
Scopri di più
Visione artificiale in ambito sanitario

Visione artificiale in ambito sanitario

Crea soluzioni sanitarie con i modelli Ultralytics YOLO. In ambito sanitario, l'IA per la visione consente di elaborare più rapidamente le immagini mediche, migliorare la diagnostica e monitorare i pazienti.
Scopri di più
Computer vision nella produzione

Computer vision nella produzione

Ottimizza la produzione con i modelli Ultralytics YOLO. La visione basata sull'IA migliora il controllo qualità, il rilevamento dei difetti, la conformità ai requisiti sui DPI e l'automazione delle linee di assemblaggio.
Scopri di più
Computer vision nel settore automobilistico

Computer vision nel settore automobilistico

Applica la computer vision al settore automobilistico con i modelli Ultralytics YOLO. La visione basata sull'IA migliora la sicurezza stradale, i sistemi di assistenza alla guida e l'automazione dei veicoli, per strade più intelligenti.
Scopri di più
Visione artificiale in agricoltura

Visione artificiale in agricoltura

Porta l'IA visiva nell'agricoltura intelligente con i modelli Ultralytics YOLO. Gestisci il monitoraggio delle colture, il tracciamento del bestiame e l'agricoltura di precisione per ottenere raccolti più abbondanti e intelligenti.
Scopri di più

Costruiamo insieme il futuro dell'IA!

Inizia il tuo percorso verso il futuro del machine learning