Mikä on SLAM? Kuinka itse ajavat autot tietävät, missä ne ovat

Mikä on SLAM? Kuinka itse ajavat autot tietävät, missä ne ovat

Samanaikainen lokalisointi ja kartoitus (SLAM) ei todennäköisesti ole lause, jota käytät päivittäin. Kuitenkin useat uusimmat hienot teknologiset ihmeet käyttävät tätä prosessia elinkaarensa millisekunnin välein.





Mikä on SLAM? Miksi tarvitsemme sitä? Ja mistä näistä hienoista tekniikoista puhut?



Windows 10 vs Windows 7 pro

Lyhenteestä abstraktiin ideaan

Tässä on nopea peli sinulle. Mikä näistä ei kuulu?





  • Itse ajavat autot
  • Lisätty todellisuus -sovellukset
  • Itsenäiset ilma- ja vedenalaiset ajoneuvot
  • Sekatodellisuuden puettavat vaatteet
  • Roomba

Saatat ajatella, että vastaus on helposti luettelon viimeinen kohde. Tavallaan olet oikeassa. Toisella tavalla tämä oli temppu, koska kaikki nämä kohteet liittyvät toisiinsa.

Kuva: Nathan Kroll/ Flickr



(Erittäin viileän) pelin todellinen kysymys on tämä: Mikä tekee kaikista näistä tekniikoista toteutettavissa? Vastaus: samanaikainen lokalisointi ja kartoitus tai SLAM! kuten viileät lapset sanovat.

Yleisessä mielessä SLAM -algoritmien tarkoitus on tarpeeksi helppo iteroida. Robotti käyttää samanaikaista paikannusta ja kartoitusta arvioidakseen sijaintinsa ja suunnansa (tai asentonsa) avaruudessa luodessaan kartan ympäristöstään. Tämä antaa robotille mahdollisuuden tunnistaa missä se on ja miten liikkua tuntemattoman tilan läpi.



Siksi kyllä, toisin sanoen kaikki tämä mielikuvituksellinen algoritmi ei ole sijainnin arviointi. Toinen suosittu tekniikka, Global Positioning System (tai GPS), on arvioinut sijaintiaan 1990 -luvun ensimmäisen Persianlahden sodan jälkeen.

SLAM: n ja GPS: n erottaminen

Miksi sitten tarvitaan uutta algoritmia? GPS: llä on kaksi luontaista ongelmaa. Ensinnäkin, vaikka GPS on tarkka suhteessa maailmanlaajuiseen mittakaavaan, sekä tarkkuus että tarkkuus pienentävät mittakaavaa suhteessa huoneeseen, pöytään tai pieneen risteykseen. GPS: n tarkkuus on jopa metri, mutta mikä senttimetri? Millimetri?



Toiseksi, GPS ei toimi hyvin veden alla. Ei hyvin tarkoitan ei ollenkaan. Samoin suorituskyky on pilkullinen rakennusten sisällä, joissa on paksut betoniseinät. Tai kellareissa. Ymmärrät ajatuksen. GPS on satelliittipohjainen järjestelmä, joka kärsii fyysisistä rajoituksista.

Joten SLAM -algoritmit pyrkivät antamaan paremman paikan tunteen kehittyneimmille laitteillemme ja koneillemme.

Näissä laitteissa on jo litania antureita ja oheislaitteita. SLAM -algoritmit käyttävät mahdollisimman monien näiden tietoja käyttämällä matematiikkaa ja tilastoja.

Kana vai muna? Sijainti vai kartta?

Matematiikkaa ja tilastoja tarvitaan vastaamaan monimutkaisiin ongelmiin: käytetäänkö sijaintia ympäristön kartan luomiseen vai käytetäänkö ympäristön karttaa sijainnin laskemiseen?

Ajatus kokeilun aika! Olet ulottuvuuksien välillä vääntynyt tuntemattomaan paikkaan. Mikä on ensimmäinen asia, jonka teet? Paniikki? Okei, rauhoitu, hengitä. Ota toinen. Mikä on toinen asia, jonka teet? Katso ympärillesi ja yritä löytää jotain tuttua. Tuoli on vasemmalla puolella. Kasvi on oikealla puolellasi. Sohvapöytä on edessäsi.

Seuraavaksi kerran halvaannuttava pelko 'Missä helvetissä minä olen?' kuluu, alat liikkua. Odota, kuinka liike toimii tässä ulottuvuudessa? Ota askel eteenpäin. Tuoli ja kasvi pienenevät ja pöytä kasvaa. Nyt voit vahvistaa, että olet itse asiassa menossa eteenpäin.

kuinka vaihtaa ip -osoite Macissa

Havainnot ovat avainasemassa SLAM -estimaatin tarkkuuden parantamisessa. Alla olevassa videossa robotti liikkuu merkistä toiseen, ja se rakentaa paremman ympäristön kartan.

Takaisin toiseen ulottuvuuteen, mitä enemmän kävelet, sitä enemmän suunnistat. Kaikiin suuntiin astuminen vahvistaa, että liike tässä ulottuvuudessa on samanlainen kuin kotisi ulottuvuus. Kun menet oikealle, kasvi näyttää suuremmalta. Hyödyllisesti näet muita asioita, jotka tunnistat maamerkkeiksi tässä uudessa maailmassa, joiden avulla voit vaeltaa luottavaisemmin.

Tämä on lähinnä SLAM -prosessi.

Tulot prosessiin

Näiden arvioiden tekemiseksi algoritmit käyttävät useita tietoja, jotka voidaan luokitella sisäisiksi tai ulkoisiksi. Monimuotoista kuljetusesimerkkiäsi varten (myönnä se, että sinulla oli hauska matka), sisäiset mitat ovat portaiden koko ja suunta.

Ulkoiset mittaukset ovat kuvien muodossa. Maamerkkejä, kuten kasvi, tuoli ja pöytä, on helppo tunnistaa silmille ja aivoille. Tehokkain prosessori-ihmisen aivot-pystyy ottamaan nämä kuvat eikä vain tunnistamaan esineitä, vaan myös arvioimaan etäisyyden kohteeseen.

Valitettavasti (tai onneksi SkyNetin pelosta riippuen) roboteilla ei ole ihmisen aivoja prosessorina. Koneet luottavat aivoina piisiruihin, joissa on ihmisen kirjoitettu koodi.

Muut koneet tekevät ulkoisia mittauksia. Oheislaitteet, kuten gyroskoopit tai muu inertiamittausyksikkö (IMU), auttavat tässä. Robotit, kuten itse ajavat autot, käyttävät myös pyörän asennon matkamittaria sisäisenä mittauksena.

Kuva: Jennifer Morrow/ Flickr

Ulkoisesti itseohjautuva auto ja muut robotit käyttävät LIDARia. Kuten tutka käyttää radioaaltoja, LIDAR mittaa heijastuneet valopulssit etäisyyden tunnistamiseksi. Valo on tyypillisesti ultravioletti- tai lähi -infrapuna, samanlainen kuin infrapunasyvyysanturi.

LIDAR lähettää kymmeniä tuhansia pulsseja sekunnissa luodakseen erittäin terävän kolmiulotteisen pistepilvikartan. Joten kyllä, seuraavan kerran, kun Tesla pyörii autopilotilla, se ampuu sinut laserilla. Monesti.

Lisäksi SLAM -algoritmit käyttävät staattisia kuvia ja tietokonenäkötekniikoita ulkoisena mittauksena. Tämä tehdään yhdellä kameralla, mutta stereoparin avulla se voidaan tehdä vielä tarkemmaksi.

Mustan laatikon sisällä

Sisäiset mittaukset päivittävät arvioidun sijainnin, jota voidaan käyttää ulkoisen kartan päivittämiseen. Ulkoiset mittaukset päivittävät arvioidun kartan, jota voidaan käyttää sijainnin päivittämiseen. Voit ajatella sitä päättelyongelmana, ja idea on löytää optimaalinen ratkaisu.

Yleinen tapa tehdä tämä on todennäköisyyden kautta. Tekniikat, kuten hiukkassuodattimen likimääräinen sijainti ja kartoitus Bayesin tilastollisen päätelmän avulla.

Hiukkassuodatin käyttää tiettyä määrää hiukkasia, jotka on levitetty Gaussin jakaumalla. Jokainen hiukkanen 'ennustaa' robotin nykyisen sijainnin. Jokaiselle hiukkaselle määritetään todennäköisyys. Kaikki hiukkaset alkavat samalla todennäköisyydellä.

Kun tehdään mittauksia, jotka vahvistavat toisiaan (kuten askel eteenpäin = pöytä suurenee), hiukkasille, jotka ovat 'oikeita' asemassaan, annetaan vähitellen paremmat todennäköisyydet. Hiukkasille, jotka ovat kaukana, on pienempi todennäköisyys.

Mitä enemmän maamerkkejä robotti voi tunnistaa, sitä parempi. Maamerkit antavat palautetta algoritmille ja mahdollistavat tarkemmat laskelmat.

Nykyiset sovellukset käyttämällä SLAM -algoritmeja

Hajotetaan tämä, hieno tekniikka hienolla tekniikalla.

Autonomiset vedenalaiset ajoneuvot (AUV)

Miehittämättömät sukellusveneet voivat toimia itsenäisesti SLAM -tekniikoilla. Sisäinen IMU tarjoaa kiihtyvyys- ja liiketietoja kolmeen suuntaan. Lisäksi AUV-laitteet käyttävät pohjaan suuntautuvaa kaikuluotainta syvyysarviointiin. Sivuskanneri luo kuvia merenpohjasta, jonka kantama on parisataa metriä.

Kuva: Florida Sea Grant/ Flickr

Sekatodellisuusvaatteita

Microsoft ja Magic Leap ovat tuottaneet puettavia laseja, joissa esitellään Mixed Reality -sovelluksia. Sijainnin arvioiminen ja kartan luominen on ratkaisevaa näille puettaville. Laitteet asettavat kartan avulla virtuaalisia esineitä todellisten esineiden päälle ja saavat ne vuorovaikutukseen keskenään.

kuinka lukita valokuvat Androidilla

Koska nämä puettavat laitteet ovat pieniä, ne eivät voi käyttää suuria oheislaitteita, kuten LIDAR tai luotain. Sen sijaan ympäristön kartoittamiseen käytetään pienempiä infrapunasyvyysantureita ja ulospäin suunnattuja kameroita.

Itse ajavat autot

Itsenäisillä autoilla on pieni etu puettaviin laitteisiin nähden. Paljon suuremman fyysisen koon ansiosta autoissa voi olla isompia tietokoneita ja enemmän oheislaitteita sisäisten ja ulkoisten mittausten tekemiseen. Itse ajavat autot edustavat monella tapaa tekniikan tulevaisuutta sekä ohjelmistojen että laitteistojen osalta.

SLAM -tekniikka paranee

Kun SLAM -tekniikkaa käytetään useilla eri tavoilla, on vain ajan kysymys, milloin se saadaan täydelliseksi. Kun itse ajavat autot (ja muut ajoneuvot) nähdään päivittäin, tiedät, että samanaikainen paikannus ja kartoitus ovat kaikkien käytettävissä.

Itseohjautuva tekniikka paranee joka päivä. Haluatko tietää lisää? Katso MakeUseOfin yksityiskohtainen erittely itse ajavien autojen toiminnasta. Saatat myös olla kiinnostunut siitä, miten hakkerit kohdistavat yhdistettyihin autoihin.

Kuvahaku: chesky_w/ Depositphotos

Jaa Jaa Tweet Sähköposti Googlen sisäänrakennetun kuplatason käyttö Androidissa

Jos olet koskaan tarvinnut varmistaa, että jokin on vaakasuorassa, voit nyt saada kuplatason puhelimeesi muutamassa sekunnissa.

Lue seuraava Liittyvät aiheet
  • Tekniikka selitetty
  • Autotekniikka
  • Tekoäly
  • Itse ajava auto
  • SLAM
Kirjailijasta Tom Johnsen(3 artikkelia julkaistu)

Tom on ohjelmistosuunnittelija Floridasta (huutaa Floridan miehelle), jolla on intohimo kirjoittamiseen, college-jalkapalloon (go Gators!), CrossFit ja Oxford-pilkut.

Lisää Tom Johnsenilta

tilaa uutiskirjeemme

Liity uutiskirjeeseemme saadaksesi teknisiä vinkkejä, arvosteluja, ilmaisia ​​e -kirjoja ja ainutlaatuisia tarjouksia!

Klikkaa tästä tilataksesi