Home-theater-designers
Samaaegne lokaliseerimine ja kaardistamine (SLAM) ei ole tõenäoliselt igapäevaselt kasutatav fraas. Kuid mitmed uusimad lahedad tehnoloogilised imed kasutavad seda protsessi iga millisekundi jooksul.
Mis on SLAM? Miks me seda vajame? Ja mis on need lahedad tehnoloogiad, millest te räägite?
kes ei jälgi instagramis
Lühendist abstraktse ideeni
Siin on teile kiire mäng. Milline neist ei kuulu?
- Isesõitvad autod
- Liitreaalsuse rakendused
- Autonoomsed õhu- ja veealused sõidukid
- Segareaalsusega kantavad riided
- Roomba
Võite arvata, et vastus on lihtsalt loendi viimane element. Teatud mõttes on teil õigus. Teisel viisil oli see trikimäng, kuna kõik need üksused on omavahel seotud.
Pildikrediit: Nathan Kroll/ Flickr
Mängu (väga lahe) tegelik küsimus on järgmine: mis teeb kõik need tehnoloogiad teostatavaks? Vastus: üheaegne lokaliseerimine ja kaardistamine ehk SLAM! nagu lahedad lapsed ütlevad.
Üldises mõttes on SLAM -i algoritmide eesmärk piisavalt lihtne itereerida. Robot kasutab samaaegset lokaliseerimist ja kaardistamist, et hinnata oma asukohta ja orientatsiooni (või poosi) ruumis, luues samal ajal oma keskkonna kaardi. See võimaldab robotil tuvastada, kus see asub ja kuidas tundmatus ruumis liikuda.
Seetõttu jah, see tähendab, et kogu see väljamõeldud tarkusalgoritm on positsiooni hindamine. Teine populaarne tehnoloogia, globaalne positsioneerimissüsteem (või GPS) on positsiooni hinnanud alates 1990. aastate esimesest Lahesõjast.
SLAM -i ja GPS -i eristamine
Miks on siis vaja uut algoritmi? GPS -il on kaks olemuslikku probleemi. Esiteks, kuigi GPS on globaalse skaala suhtes täpne, vähendavad nii täpsus kui ka täpsus ruumi, laua või väikese ristmiku suhtes skaalat. GPS -i täpsus on kuni meeter, aga mis sentimeetrit? Millimeeter?
Teiseks ei tööta GPS vee all hästi. Halva all pean silmas mitte üldse. Samamoodi on jõudlus paksude betoonseintega hoonetes täpiline. Või keldrites. Saate ideest aru. GPS on satelliidipõhine süsteem, mis kannatab füüsiliste piirangute all.
Nii et SLAM -i algoritmide eesmärk on anda meie kõige arenenumatele vidinatele ja masinatele paremat positsiooni.
Nendel seadmetel on juba palju andureid ja välisseadmeid. SLAM -i algoritmid kasutavad matemaatika ja statistika abil võimalikult paljude nende andmeid.
Kana või muna? Asend või kaart?
Matemaatikat ja statistikat on vaja keerulisele küsimusele vastamiseks: kas ümbruskonna kaardi loomiseks kasutatakse positsiooni või kasutatakse asukoha arvutamiseks ümbruskonna kaarti?
Mõttetöö aeg! Olete mõõtmetevaheliselt harjunud võõrasse kohta. Mis on esimene asi, mida sa teed? Paanika? Olgu, rahune maha, hinga. Võtke teine. Mis on teine asi, mida sa teed? Vaadake ringi ja proovige leida midagi tuttavat. Vasakul on tool. Taim on sinust paremal. Kohvilaud on teie ees.
Järgmisena kord halvatav hirm 'Kus kurat ma olen?' kulub ära, hakkad liikuma. Oota, kuidas liikumine selles mõõtmes toimib? Astuge samm edasi. Tool ja taim lähevad väiksemaks ja laud suureneb. Nüüd saate kinnitada, et liigute tegelikult edasi.
kuidas näha, kes minu internetti kasutab
Vaatlused on SLAM -i hindamise täpsuse parandamisel võtmetähtsusega. Allolevas videos, kui robot liigub markerilt markerile, koostab ta keskkonna parema kaardi.
Tagasi teise dimensiooni juurde, mida rohkem ringi kõnnite, seda rohkem orienteerute. Kõigisse suundadesse astumine kinnitab, et selles dimensioonis liikumine sarnaneb teie koduse mõõtmega. Paremale minnes kerkib taim suuremaks. Abivalmis näete ka teisi asju, mida peate selles uues maailmas vaatamisväärsusteks, mis võimaldavad teil enesekindlamalt rännata.
See on sisuliselt SLAM -i protsess.
Sisendid protsessi
Nende hinnangute tegemiseks kasutavad algoritmid mitmeid andmeid, mida saab liigitada sisemisteks või välisteks. Mõõtmetevahelise transpordi näite puhul (tunnistage, teil oli lõbus reis) on sisemised mõõtmed astmete suurus ja suund.
Tehtud välised mõõtmised on kujutiste kujul. Maamärkide, nagu taim, tool ja laud, tuvastamine on silmade ja aju jaoks lihtne ülesanne. Kõige võimsam protsessor-inimese aju --- on võimeline neid pilte tegema ja mitte ainult objekte tuvastama, vaid ka hindama selle objekti kaugust.
Kahjuks (või õnneks, sõltuvalt teie hirmust SkyNeti ees) pole robotitel protsessorina inimese aju. Masinad toetuvad ajuna ränikiipidele, millel on inimese kirjutatud kood.
Teised masinatükid teevad väliseid mõõtmisi. Selleks on abiks välisseadmed, näiteks güroskoobid või muu inertsiaalne mõõtühik (IMU). Robotid, näiteks isesõitvad autod, kasutavad sisemise mõõtmisena ka rattaasendi odomeetriat.
Pildikrediit: Jennifer Morrow/ Flickr
Väliselt kasutavad isesõitev auto ja teised robotid LIDAR-i. Sarnaselt sellele, kuidas radar kasutab raadiolaineid, mõõdab LIDAR kauguse tuvastamiseks peegeldunud valgusimpulsse. Kasutatav valgus on tavaliselt ultraviolett- või infrapuna -lähedane, sarnaselt infrapuna sügavussensoriga.
LIDAR saadab välja kümneid tuhandeid impulsse sekundis, et luua äärmiselt kõrglahutusega kolmemõõtmeline punktpilvekaart. Niisiis, jah, järgmine kord, kui Tesla autopiloodil ringi rullib, tulistab see teid laseriga. Palju kordi.
Lisaks kasutavad SLAM -i algoritmid välise mõõtmisena staatilisi pilte ja arvutinägemistehnikaid. Seda tehakse ühe kaameraga, kuid stereopaariga saab seda veelgi täpsemaks muuta.
Musta kasti sees
Sisemised mõõtmised värskendavad hinnangulist asukohta, mida saab kasutada välise kaardi värskendamiseks. Välised mõõtmised värskendavad hinnangulist kaarti, mida saab kasutada asukoha värskendamiseks. Võite seda mõelda kui järeldusprobleemi ja idee on leida optimaalne lahendus.
Tavaline viis seda teha on tõenäosus. Sellised tehnikad nagu osakeste filtri ligikaudne asukoht ja kaardistamine, kasutades Bayesi statistilist järeldust.
Osakeste filter kasutab teatud arvu osakesi, mis on hajutatud Gaussi jaotusega. Iga osake 'ennustab' roboti praegust asukohta. Igale osakesele määratakse tõenäosus. Kõik osakesed algavad sama tõenäosusega.
Kui tehakse mõõtmisi, mis kinnitavad üksteist (näiteks samm edasi = laud suureneb), antakse osakestele, mis on oma positsioonil „õiged”, järk -järgult paremad tõenäosused. Osakestele, mis on kaugel, määratakse väiksemad tõenäosused.
Mida rohkem maamärke robot suudab tuvastada, seda parem. Maamärgid annavad algoritmile tagasisidet ja võimaldavad täpsemaid arvutusi.
Praegused rakendused, mis kasutavad SLAM -algoritme
Lahutame selle laheda tehnoloogia, laheda tehnoloogia abil.
Autonoomsed veealused sõidukid (AUV)
Mehitamata allveelaevad saavad töötada iseseisvalt, kasutades SLAM -tehnikaid. Sisemine IMU pakub kiirendus- ja liikumisandmeid kolmes suunas. Lisaks kasutavad AUV-d sügavuse hindamiseks põhja poole suunatud sonarit. Külgskaneerimise sonar loob merepõhjast pilte, mille tööulatus on paarisaja meetri kaugusel.
Pildikrediit: Florida Sea Grant/ Flickr
Kombineeritud reaalsusega kantavad riided
Microsoft ja Magic Leap on tootnud kantavaid prille, mis tutvustavad Mixed Reality rakendusi. Asendi hindamine ja kaardi loomine on nende kantavate asjade jaoks ülioluline. Seadmed kasutavad kaarti, et paigutada virtuaalsed objektid reaalsete objektide peale ja lasta neil üksteisega suhelda.
hulu..com/unustasin
Kuna need kantavad seadmed on väikesed, ei saa nad kasutada suuri välisseadmeid, nagu LIDAR või sonar. Selle asemel kasutatakse keskkonna kaardistamiseks väiksemaid infrapuna sügavussensoreid ja väljapoole suunatud kaameraid.
Isesõitvad autod
Autonoomsetel autodel on väike eelis kantavate seadmete ees. Palju suurema füüsilise suurusega autod mahutavad suuremaid arvuteid ja neil on rohkem välisseadmeid, et teha sisemisi ja väliseid mõõtmisi. Isesõitvad autod esindavad paljuski tehnoloogia tulevikku nii tarkvara kui ka riistvara osas.
SLAM -tehnoloogia paraneb
Kuna SLAM -tehnoloogiat kasutatakse mitmel erineval viisil, on selle täiustamine vaid aja küsimus. Kui isesõitvad autod (ja muud sõidukid) on igapäevaselt nähtavad, teate, et samaaegne lokaliseerimine ja kaardistamine on kõigile kasutamiseks valmis.
Isesõitmise tehnoloogia paraneb iga päevaga. Kas soovite rohkem teada saada? Vaadake MakeUseOfi üksikasjalikku ülevaadet isesõitvate autode tööpõhimõtte kohta. Samuti võite olla huvitatud sellest, kuidas häkkerid sihivad ühendatud autosid.
Pildi krediit: chesky_w/ Depositphotos
Jaga Jaga Piiksuma E -post Kuidas pääseda juurde Google'i sisseehitatud mullitasemele AndroidisKui teil on kunagi olnud vaja veenduda, et midagi on näpuotsaga tasemel, saate nüüd mõne sekundiga oma telefonile mullitaseme.
Loe edasi Seotud teemad- Tehnoloogia selgitatud
- Autotehnoloogia
- Tehisintellekt
- Isejuhtiv auto
- SLAM
Tom on tarkvaratehnik Floridast (hüüab Florida Manile), kelle kirg on kirjutamine, kolledži jalgpall (go Gators!), CrossFit ja Oxfordi koma.
Veel Tom JohnseniltTelli meie uudiskiri
Liituge meie uudiskirjaga, et saada tehnilisi näpunäiteid, ülevaateid, tasuta e -raamatuid ja eksklusiivseid pakkumisi!
Tellimiseks klõpsake siin