Co to jest SLAM? Skąd samochody samobieżne wiedzą, gdzie są

Jednoczesna lokalizacja i mapowanie (SLAM) prawdopodobnie nie jest frazą używaną na co dzień. Jednak kilka najnowszych fajnych cudów technologii wykorzystuje ten proces co milisekundę ich życia.

Co to jest SLAM? Dlaczego tego potrzebujemy? A jakie są te fajne technologie, o których mówisz?

Od akronimu do abstrakcyjnego pomysłu

Oto szybka gra dla Ciebie. Który z nich nie należy?

• Samochody samojezdne
• Aplikacje rzeczywistości rozszerzonej
• Autonomiczne pojazdy powietrzne i podwodne
• Urządzenia do noszenia w rzeczywistości mieszanej
• Roomba

Możesz pomyśleć, że odpowiedź jest z łatwością ostatnim elementem na liście. W pewnym sensie masz rację. Z drugiej strony była to podstępna gra, ponieważ wszystkie te przedmioty są powiązane.

Źródło zdjęcia: Nathan Kroll / Flickr

Prawdziwe pytanie o (bardzo fajną) grę brzmi: co sprawia, że ​​wszystkie te technologie są wykonalne? Odpowiedź: jednoczesna lokalizacja i mapowanie lub SLAM! jak mówią fajne dzieciaki.

Ogólnie rzecz biorąc, cel algorytmów SLAM jest wystarczająco łatwy do iteracji. Robot użyje jednoczesnej lokalizacji i mapowania, aby oszacować swoją pozycję i orientację (lub pozę) w przestrzeni podczas tworzenia mapy swojego środowiska. Pozwala to robotowi określić, gdzie jest i jak poruszać się w nieznanej przestrzeni.

Dlatego tak, to znaczy, że cały ten algorytm fantazyjny polega na szacowaniu pozycji. Inna popularna technologia, globalny system pozycjonowania (lub GPS). Jak działa śledzenie GPS i co można z nim śledzić? Jak działa śledzenie GPS i co można z nim śledzić? GPS Wiemy, że jest to technologia, która prowadzi nas od A do B. Ale GPS to coś więcej. Istnieje świat możliwości i nie chcemy, abyś przeoczył. szacuje pozycję od pierwszej wojny w Zatoce Perskiej w latach 90.

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 względem pomieszczenia, stołu lub małego skrzyżowania. GPS ma dokładność do metra, ale jaki centymetr? Milimetr?

Po drugie, GPS nie działa dobrze pod wodą. Przez niezbyt dobrze rozumiem wcale. Podobnie wydajność jest nierówna w budynkach o grubych betonowych ścianach. Lub w piwnicach. Masz pomysł. GPS to system satelitarny, który ma ograniczenia fizyczne.

Dlatego algorytmy SLAM mają na celu zapewnienie lepszego wyczucia pozycji dla naszych najbardziej zaawansowanych gadżetów i maszyn.

Urządzenia te mają już litanię czujników i urządzeń peryferyjnych. Algorytmy SLAM wykorzystują dane z jak największej ich liczby, wykorzystując matematykę i statystyki.

Kurczak czy jajko? Pozycja lub mapa?

Matematyka i statystyka są potrzebne, aby odpowiedzieć na złożone zapytanie: czy pozycja służy do tworzenia mapy otoczenia, czy mapa otoczenia służy do obliczania pozycji?

Myśl czas eksperymentu! Jesteś między wymiarowo wypaczony w nieznane miejsce. Jaka jest twoja pierwsza rzecz? Panika? OK, uspokój się, weź oddech. Weź inny. Jaka jest druga rzecz, którą robisz? Rozejrzyj się i spróbuj znaleźć coś znajomego. Krzesło jest po lewej stronie. Roślina jest po twojej prawej stronie. Stolik kawowy jest przed tobą.

Następnie, raz paraliżujący strach przed “Gdzie do diabła jestem?” zużywa się, zaczynasz się ruszać. Zaraz, jak działa ruch w tym wymiarze? Zrób krok naprzód. Krzesło i roślina stają się coraz mniejsze, a stół staje się większy. Teraz możesz potwierdzić, że faktycznie poruszasz się do przodu.

Obserwacje są kluczowe dla poprawy dokładności oszacowania SLAM. Na poniższym filmie robot porusza się od markera do markera, tworząc lepszą mapę otoczenia.

Z powrotem do innego wymiaru, im więcej się obejdziesz, tym bardziej się zorientujesz. Kroczenie we wszystkich kierunkach potwierdza, że ​​ruch w tym wymiarze jest podobny do wymiaru domowego. Gdy idziesz w prawo, roślina staje się większa. Pomocnie, widzisz inne rzeczy, które rozpoznajesz jako punkty orientacyjne w tym nowym świecie, które pozwalają ci pewniej wędrować.

Jest to zasadniczo proces SLAM.

Dane wejściowe do procesu

Aby dokonać tych oszacowań, algorytmy wykorzystują kilka fragmentów danych, które można zaklasyfikować jako wewnętrzne lub zewnętrzne. W przypadku przykładu transportu międzywymiarowego (przyznaj, miałeś fajną wycieczkę), wymiary wewnętrzne to wielkość kroków i kierunek.

Wykonane pomiary zewnętrzne mają postać obrazów. Rozpoznanie punktów orientacyjnych, takich jak roślina, krzesło i stół, jest łatwym zadaniem dla oczu i mózgu. Najsilniejszy znany procesor - ludzki mózg - jest w stanie wykonać te zdjęcia i nie tylko zidentyfikować obiekty, ale także oszacować odległość do tego obiektu.

Niestety (lub na szczęście, w zależności od lęku przed SkyNet) roboty nie mają ludzkiego mózgu jako procesora. Maszyny polegają na chipach krzemowych z ludzkim kodem pisanym jako mózg.

Inne części maszyn wykonują pomiary zewnętrzne. Pomocne w tym są urządzenia peryferyjne, takie jak żyroskopy lub inne inercyjne jednostki pomiarowe (IMU). Roboty, takie jak samochody samojezdne, również wykorzystują odometrię położenia koła jako wewnętrzny pomiar.

Źródło zdjęcia: Jennifer Morrow / Flickr

Zewnętrznie samochód samojezdny i inne roboty korzystają z LIDAR. Podobnie jak radar wykorzystuje fale radiowe, LIDAR mierzy impulsy światła odbitego w celu określenia odległości. Zastosowane światło jest zwykle ultrafioletowe lub bliskie podczerwieni, podobnie jak czujnik głębokości podczerwieni.

LIDAR wysyła dziesiątki tysięcy impulsów na sekundę, aby stworzyć trójwymiarową mapę chmury punktów o bardzo wysokiej rozdzielczości. Tak, następnym razem, gdy Tesla przejedzie autopilotem, zastrzeli cię laserem. Wiele razy.

Ponadto algorytmy SLAM wykorzystują obrazy statyczne i techniki wizji komputerowej jako pomiary zewnętrzne. Odbywa się to za pomocą pojedynczej 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 ideą jest znalezienie optymalnego rozwiązania.

Częstym sposobem na osiągnięcie tego jest prawdopodobieństwo. Techniki takie jak przybliżenie pozycji filtra cząstek i mapowanie z wykorzystaniem wnioskowania statystycznego Bayesa.

Filtr cząstek wykorzystuje określoną liczbę cząstek rozłożonych przez rozkład Gaussa. Każda cząstka “przewiduje” aktualna pozycja robota. Do każdej cząstki przypisane jest prawdopodobieństwo. Wszystkie cząstki zaczynają się z tym samym prawdopodobieństwem.

Po wykonaniu pomiarów, które się potwierdzają (np. Krok naprzód = powiększanie stołu), to są to cząstki “poprawny” w ich pozycji są stopniowo podawane większe prawdopodobieństwa. Cząstkom, które są daleko, przypisuje się niższe prawdopodobieństwo.

Im więcej punktów orientacyjnych może zidentyfikować robot, tym lepiej. Punkty orientacyjne dostarczają informacji zwrotnych do algorytmu i pozwalają na bardziej precyzyjne obliczenia.

Bieżące aplikacje korzystające z algorytmów SLAM

Rozbijmy to, fajny kawałek technologii przez fajny kawałek technologii.

Autonomiczne pojazdy podwodne (AUV)

Bezzałogowe okręty podwodne mogą działać autonomicznie przy użyciu technik SLAM. Wewnętrzny IMU zapewnia dane dotyczące przyspieszenia i ruchu w trzech kierunkach. Ponadto jednostki AUV używają sonaru skierowanego do dołu do oszacowania głębokości. Boczny sonar skanujący tworzy obrazy dna morskiego o zasięgu kilkuset metrów.

Źródło zdjęcia: Florida Sea Grant / Flickr

Urządzenia do noszenia w rzeczywistości mieszanej

Microsoft i Magic Leap wyprodukowali okulary do noszenia, które wprowadzają aplikacje rzeczywistości mieszanej Windows Rzeczywistość mieszana: co to jest i jak ją wypróbować Windows Rzeczywistość mieszana: co to jest i jak ją teraz wypróbować Windows Rzeczywistość mieszana to nowa funkcja, która pozwala korzystać z Windows 10 w wirtualnej i rozszerzonej rzeczywistości. Oto dlaczego jest to ekscytujące i jak sprawdzić, czy Twój komputer go obsługuje. . Oszacowanie pozycji i stworzenie mapy ma kluczowe znaczenie dla tych urządzeń do noszenia. Urządzenia używają mapy do umieszczania wirtualnych obiektów na obiektach rzeczywistych i umożliwienia im interakcji.

Ponieważ te urządzenia do noszenia są małe, nie mogą używać dużych urządzeń peryferyjnych, takich jak LIDAR lub sonar. Zamiast tego do mapowania środowiska używa się mniejszych czujników głębokości podczerwieni i kamer skierowanych na zewnątrz.

Samochody samojezdne

Autonomiczne samochody mają niewielką przewagę nad urządzeniami do noszenia. Przy znacznie większym rozmiarze fizycznym samochody mogą pomieścić większe komputery i więcej urządzeń peryferyjnych do wykonywania pomiarów wewnętrznych i zewnętrznych. Pod wieloma względami samochody samojezdne stanowią przyszłość technologii, zarówno pod względem oprogramowania, jak i sprzętu.

Technologia SLAM poprawia się

Technologia SLAM jest wykorzystywana na wiele różnych sposobów, dlatego jej doskonalenie to tylko kwestia czasu. Po codziennym oglądaniu samochodów z własnym napędem (i innych pojazdów) będziesz wiedział, że jednoczesna lokalizacja i mapowanie jest gotowe do użycia dla każdego.

Technologia jazdy samochodem poprawia się każdego dnia. Chcieć wiedzieć więcej? Sprawdź szczegółowy podział MakeUseOf na to, jak działają samochody samojezdne. Jak działają samochody samojezdne: nakrętki i śruby za programem samochodów autonomicznych Google. Jak działają samochody samojezdne: nakrętki i śruby związane z programem samochodów autonomicznych Google. do pracy podczas snu, jedzenia lub nadrabiania zaległości na twoich ulubionych blogach to koncepcja, która jest równie atrakcyjna, pozornie daleka i zbyt futurystyczna, aby się wydarzyła. .

Źródło obrazu: chesky_w / Depositphotos