Home-theater-designers
Jednoczesna lokalizacja i mapowanie (SLAM) prawdopodobnie nie jest frazą, której używasz na co dzień. Jednak kilka najnowszych cudów techniki wykorzystuje ten proces w każdej milisekundzie swojego życia.
Co to jest SLAM? Dlaczego tego potrzebujemy? A jakie są te fajne technologie, o których mówisz?
jak naprawić rysę na cd
Od akronimu do abstrakcyjnego pomysłu
Oto krótka gra dla Ciebie. Który z nich nie należy?
- Samochody autonomiczne
- Aplikacje rzeczywistości rozszerzonej
- Autonomiczne pojazdy latające i podwodne
- Urządzenia do noszenia w rzeczywistości mieszanej
- Roomba
Możesz pomyśleć, że odpowiedź jest z pewnością ostatnią pozycją na liście. W pewnym sensie masz rację. W inny sposób była to sztuczka, ponieważ wszystkie te przedmioty są ze sobą powiązane.
Źródło: Nathan Kroll/ Flickr
Prawdziwe pytanie dotyczące (bardzo fajnej) gry brzmi: co sprawia, że wszystkie te technologie są wykonalne? Odpowiedź: jednoczesna lokalizacja i mapowanie, czyli SLAM! jak mówią fajne dzieciaki.
Ogólnie rzecz biorąc, cel algorytmów SLAM jest dość łatwy do iteracji. Robot użyje jednoczesnej lokalizacji i mapowania, aby oszacować swoją pozycję i orientację (lub pozę) w przestrzeni podczas tworzenia mapy swojego otoczenia. Dzięki temu robot może określić, gdzie się znajduje i jak poruszać się po nieznanej przestrzeni.
Dlatego tak, to znaczy, że wszystko, co robi ten algorytm fantazyjny, to estymacja pozycji. Inna popularna technologia, Globalny System Pozycjonowania (GPS) służy do szacowania pozycji od pierwszej wojny w Zatoce Perskiej w latach 90-tych.
Rozróżnianie SLAM i GPS
Dlaczego więc potrzebny jest nowy algorytm? GPS ma dwa nieodłączne problemy. Po pierwsze, podczas gdy GPS jest dokładny w stosunku do skali globalnej, zarówno precyzja, jak i dokładność zmniejszają skalę w stosunku do pokoju, stołu lub małego skrzyżowania. GPS ma dokładność co do metra, ale co z centymetrem? Milimetr?
Po drugie, GPS nie działa dobrze pod wodą. Mówiąc nie dobrze, mam na myśli wcale. Podobnie wydajność jest nierówna wewnątrz budynków o grubych betonowych ścianach. Albo w piwnicach. Masz pomysł. GPS to system satelitarny, który ma ograniczenia fizyczne.
Dlatego algorytmy SLAM mają na celu lepsze wyczucie pozycji naszych najbardziej zaawansowanych gadżetów i maszyn.
Te urządzenia mają już całą litanię czujników i urządzeń peryferyjnych. Algorytmy SLAM wykorzystują dane z jak największej liczby z nich, używając matematyki i statystyk.
Kurczak czy jajko? Pozycja czy mapa?
Matematyka i statystyka są potrzebne, aby odpowiedzieć na złożony dylemat: czy położenie służy do tworzenia mapy otoczenia, czy mapa otoczenia służy do obliczania położenia?
Pomyśl czas na eksperyment! Jesteś międzywymiarowo przeniesiony do nieznanego miejsca. Jaka jest pierwsza rzecz, którą robisz? Panika? OK, uspokój się, weź oddech. Weź inny. Jaka jest druga rzecz, którą robisz? Rozejrzyj się i spróbuj znaleźć coś znajomego. Krzesło jest po twojej lewej stronie. Roślina jest po twojej prawej stronie. Stolik kawowy jest przed tobą.
Następnie raz paraliżujący strach „Gdzie ja do cholery jestem?” mija, zaczynasz się ruszać. Czekaj, jak działa ruch w tym wymiarze? Zrób krok do przodu. Krzesło i roślina stają się coraz mniejsze, a stół powiększa się. Teraz możesz potwierdzić, że faktycznie idziesz do przodu.
jak sprawić, by Windows 10 zainstalował usb?
Obserwacje są kluczem do poprawy dokładności oszacowania SLAM. Na poniższym filmie, gdy robot porusza się od znacznika do znacznika, buduje lepszą mapę otoczenia.
Wracając do innego wymiaru, im więcej chodzisz, tym bardziej się orientujesz. Kroki we wszystkich kierunkach potwierdzają, że ruch w tym wymiarze jest podobny do wymiaru domowego. Gdy idziesz w prawo, roślina staje się coraz większa. Pomocne jest to, że widzisz inne rzeczy, które uważasz za punkty orientacyjne w tym nowym świecie, które pozwalają ci pewniej wędrować.
To jest zasadniczo proces SLAM.
Dane wejściowe do procesu
Aby dokonać tych szacunków, algorytmy wykorzystują kilka fragmentów danych, które można sklasyfikować jako wewnętrzne lub zewnętrzne. Dla twojego przykładu międzywymiarowego transportu (przyznaj, że miałeś zabawną podróż), wewnętrzne wymiary to wielkość kroków i kierunek.
Wykonane pomiary zewnętrzne mają postać obrazów. Identyfikacja punktów orientacyjnych, takich jak roślina, krzesło i stół, jest łatwym zadaniem dla oczu i mózgu. Najpotężniejszy znany procesor – ludzki mózg – jest w stanie wykonać te obrazy i nie tylko zidentyfikować obiekty, ale także oszacować odległość do tych obiektów.
Niestety (lub na szczęście, w zależności od strachu przed SkyNetem), roboty nie mają ludzkiego mózgu jako procesora. Maszyny polegają na chipach krzemowych z ludzkim kodem pisanym jako mózg.
Inne maszyny wykonują pomiary zewnętrzne. Pomocne w tym są urządzenia peryferyjne, takie jak żyroskopy lub inne bezwładnościowe jednostki pomiarowe (IMU). Roboty, takie jak samojezdne samochody, również wykorzystują odometrię położenia kół jako pomiar wewnętrzny.
Źródło: Jennifer Morrow/ Flickr
Zewnętrznie samochód autonomiczny i inne roboty wykorzystują LIDAR. Podobnie jak radar wykorzystuje fale radiowe, LIDAR mierzy odbite impulsy światła w celu określenia odległości. Stosowane światło to zazwyczaj ultrafiolet lub bliska podczerwień, podobnie jak czujnik głębokości podczerwieni.
LIDAR wysyła dziesiątki tysięcy impulsów na sekundę, tworząc trójwymiarową mapę chmury punktów o niezwykle wysokiej rozdzielczości. Więc tak, następnym razem, gdy Tesla przetoczy się na autopilocie, strzeli do ciebie laserem. Wiele razy.
Dodatkowo algorytmy SLAM wykorzystują obrazy statyczne i techniki widzenia komputerowego jako pomiar zewnętrzny. Odbywa się to za pomocą jednej kamery, ale może być jeszcze dokładniejsze dzięki parze stereo.
Wewnątrz czarnej skrzynki
Pomiary wewnętrzne zaktualizują szacunkową pozycję, której można użyć do aktualizacji mapy zewnętrznej. Pomiary zewnętrzne zaktualizują szacunkową mapę, której można użyć do aktualizacji pozycji. Możesz myśleć o tym jako o problemie wnioskowania, a pomysł polega na znalezieniu optymalnego rozwiązania.
Popularnym sposobem na to jest prawdopodobieństwo. Techniki, takie jak przybliżona pozycja filtra cząstek i mapowanie przy użyciu wnioskowania statystycznego Bayesa.
Filtr cząstek wykorzystuje określoną liczbę cząstek rozmieszczonych według rozkładu Gaussa. Każda cząsteczka „przewiduje” aktualną pozycję robota. Każdej cząstce przypisane jest prawdopodobieństwo. Wszystkie cząstki zaczynają się z tym samym prawdopodobieństwem.
Kiedy dokonywane są pomiary, które wzajemnie się potwierdzają (takie jak krok do przodu = stół powiększający się), wtedy cząstki, które są „poprawne” w swojej pozycji, otrzymują stopniowo większe prawdopodobieństwo. Cząstkam, które są daleko, przypisuje się mniejsze prawdopodobieństwo.
Im więcej punktów orientacyjnych robot może zidentyfikować, tym lepiej. Punkty orientacyjne dostarczają informacji zwrotnych do algorytmu i pozwalają na bardziej precyzyjne obliczenia.
Aktualne aplikacje wykorzystujące algorytmy SLAM
Rozłóżmy ten fajny kawałek technologii na fajny kawałek technologii.
Autonomiczne pojazdy podwodne (AUV)
Bezzałogowe okręty podwodne mogą działać autonomicznie z wykorzystaniem technik SLAM. Wewnętrzny IMU dostarcza dane dotyczące przyspieszenia i ruchu w trzech kierunkach. Dodatkowo pojazdy AUV wykorzystują sonar skierowany w dół do szacowania głębokości. Sonar boczny tworzy obrazy dna morskiego o zasięgu kilkuset metrów.
Źródło: Florida Sea Grant/ Flickr
Urządzenia do noszenia w rzeczywistości mieszanej
Microsoft i Magic Leap wyprodukowały okulary do noszenia, które wprowadzają aplikacje rzeczywistości mieszanej. Oszacowanie pozycji i stworzenie mapy ma kluczowe znaczenie dla tych urządzeń do noszenia. Urządzenia wykorzystują mapę do umieszczania wirtualnych obiektów na rzeczywistych obiektach i interakcji między nimi.
dowiedz się, czyj numer telefonu jest za darmo
Ponieważ te urządzenia do noszenia są małe, nie mogą używać dużych urządzeń peryferyjnych, takich jak LIDAR lub sonar . Zamiast tego do mapowania otoczenia używane są mniejsze czujniki głębokości na podczerwień i kamery skierowane na zewnątrz.
Samojezdne samochody
Samochody autonomiczne mają niewielką przewagę nad urządzeniami do noszenia. Dzięki znacznie większym rozmiarom fizycznym samochody mogą pomieścić większe komputery i mieć więcej urządzeń peryferyjnych do wykonywania pomiarów wewnętrznych i zewnętrznych. Pod wieloma względami autonomiczne samochody reprezentują przyszłość technologii, zarówno pod względem oprogramowania, jak i sprzętu.
Technologia SLAM się poprawia
Ponieważ technologia SLAM jest wykorzystywana na wiele różnych sposobów, udoskonalenie jej jest tylko kwestią czasu. Gdy samochody autonomiczne (i inne pojazdy) będą codziennie widziane, będziesz wiedział, że jednoczesna lokalizacja i mapowanie jest gotowe do użycia przez wszystkich.
Technologia autonomicznej jazdy poprawia się każdego dnia. Chcieć wiedzieć więcej? Zapoznaj się ze szczegółowym opisem działania samochodów autonomicznych autorstwa MakeUseOf . Być może zainteresuje Cię również sposób, w jaki hakerzy atakują samochody z dostępem do Internetu.
Źródło obrazu: chesky_w/ Depositphotos
Udział Udział Ćwierkać E-mail Jak uzyskać dostęp do wbudowanej poziomicy Google na Androidzie?Jeśli kiedykolwiek musiałeś upewnić się, że coś jest wypoziomowane w mgnieniu oka, możesz teraz uzyskać poziomicę w telefonie w kilka sekund.
Czytaj dalej Powiązane tematy- Wyjaśnienie technologii
- Technologia motoryzacyjna
- Sztuczna inteligencja
- Samojezdny samochód
- ZATRZASNĄĆ
Tom jest inżynierem oprogramowania z Florydy (pozdrawiam Florida Man) z pasją do pisania, futbolu szkolnego (go Gators!), CrossFit i przecinków Oxford.
Więcej od Toma JohnsenaZapisz się do naszego newslettera
Dołącz do naszego newslettera, aby otrzymywać porady techniczne, recenzje, bezpłatne e-booki i ekskluzywne oferty!
Kliknij tutaj, aby zasubskrybować