Kaj je SLAM? Kako samovozeči avtomobili vedo, kje so

Kaj je SLAM? Kako samovozeči avtomobili vedo, kje so

Hkratna lokalizacija in preslikava (SLAM) verjetno nista fraza, ki jo uporabljate vsak dan. Vendar pa nekaj najnovejših kul tehnoloških čudes uporablja ta postopek vsako milisekundo svoje življenjske dobe.





Kaj je SLAM? Zakaj ga potrebujemo? In o katerih kul tehnologijah govorite?



kako spremeniti kanal na usmerjevalniku

Od kratice do abstraktne ideje

Tukaj je hitra igra za vas. Kateri od teh ne spada?





  • Samovozeči avtomobili
  • Aplikacije za razširjeno resničnost
  • Avtonomna letalska in podvodna vozila
  • Nosljivi izdelki mešane resničnosti
  • Roomba

Morda se vam zdi odgovor zlahka zadnji element na seznamu. Na nek način imaš prav. Na drug način je bila to zvijača, saj so vsi ti predmeti povezani.

Avtor slike: Nathan Kroll/ Flickr



Pravo vprašanje (zelo kul) igre je naslednje: Kaj naredi vse te tehnologije izvedljive? Odgovor: hkratna lokalizacija in preslikava ali SLAM! kot pravijo kul otroci.

Na splošno je namen algoritmov SLAM dovolj preprost za ponovitev. Robot bo s hkratno lokalizacijo in preslikavo ocenil svoj položaj in orientacijo (ali pozo) v vesolju, medtem ko bo ustvarjal zemljevid svojega okolja. To robotu omogoča, da prepozna, kje je in kako se premika po neznanem prostoru.



Torej, ja, to pomeni, da ves ta domišljijski algoritem ocenjuje položaj. Druga priljubljena tehnologija, Global Positioning System (ali GPS), ocenjuje položaj od prve zalivske vojne v devetdesetih letih.

Razlikovanje med SLAM in GPS

Zakaj je torej potreben nov algoritem? GPS ima dve značilni težavi. Prvič, čeprav je GPS natančen glede na svetovno lestvico, natančnost in natančnost zmanjšujeta lestvico glede na sobo, mizo ali majhno križišče. GPS ima natančnost do enega metra, kaj pa centimeter? Milimeter?



Drugič, GPS ne deluje dobro pod vodo. Sploh ne mislim, sploh ne. Podobno je zmogljivost opazna v stavbah z debelimi betonskimi stenami. Ali v kleteh. Dobiš idejo. GPS je satelitski sistem, ki trpi zaradi fizičnih omejitev.

Zato želimo s SLAM algoritmi izboljšati občutek položaja za naše najnaprednejše pripomočke in stroje.

Te naprave že imajo niz senzorjev in zunanjih naprav. Algoritmi SLAM uporabljajo podatke iz čim več teh podatkov z uporabo nekaj matematike in statistike.

Piščanec ali jajce? Položaj ali zemljevid?

Matematika in statistika sta potrebni za odgovor na zapleteno težavo: ali se položaj uporablja za izdelavo zemljevida okolice ali se zemljevid okolice uporablja za izračun položaja?

Čas za miselni eksperiment! Meddimenzionalno ste upognjeni na neznano mesto. Kaj najprej storite? Panika? V redu, umirite se, vdihnite. Vzemite drugega. Kaj je drugo, kar narediš? Poglejte okoli in poskusite najti kaj znanega. Stol je na vaši levi. Rastlina je na vaši desni. Pred vami je mizica za kavo.

Nato enkrat paralizirajoč strah pred 'Kje za vraga sem?' ko se obrabi, se začneš premikati. Počakaj, kako gibanje deluje v tej dimenziji? Naredite korak naprej. Stol in rastlina postajata vse manjša, miza pa vse večja. Zdaj lahko potrdite, da dejansko napredujete.

kako izbrisati moja iskanja na googlu

Opažanja so ključna za izboljšanje natančnosti ocene SLAM. V spodnjem videu, ko se robot premika od markerja do markerja, gradi boljši zemljevid okolja.

Nazaj v drugo dimenzijo, bolj ko se sprehajaš, bolj se orientiraš. Korak v vse smeri potrjuje, da je gibanje v tej dimenziji podobno vaši dimenziji doma. Ko greste desno, se rastlina povečuje. V pomoč so vam tudi druge stvari, ki jih v tem novem svetu prepoznate kot mejnike, ki vam omogočajo, da se samozavestneje potepate.

To je v bistvu proces SLAM.

Vložki v proces

Za te ocene algoritmi uporabljajo več podatkov, ki jih lahko kategoriziramo kot notranje ali zunanje. Za vaš primer meddimenzionalnega prevoza (priznajte, imeli ste zabavno potovanje) so notranje meritve velikosti korakov in smeri.

Zunanje meritve so v obliki slik. Prepoznavanje znamenitosti, kot so rastlina, stol in miza, je enostavna naloga za oči in možgane. Najmočnejši znani procesor-človeški možgani-lahko posname te slike in ne samo identificira predmete, ampak tudi oceni razdaljo do tega predmeta.

Na žalost (ali na srečo, odvisno od vašega strahu pred SkyNetom), roboti nimajo človeških možganov kot procesor. Stroji se opirajo na silicijeve čipe s človeško napisano kodo kot možgani.

Drugi deli strojev izvajajo zunanje meritve. Pri tem so v pomoč zunanje naprave, kot so žiroskopi ali druge inercialne merilne enote (IMU). Roboti, kot so samovozeči avtomobili, za notranjo meritev uporabljajo tudi odometrijo položaja kolesa.

Avtor slike: Jennifer Morrow/ Flickr

Navzven samovozeči avto in drugi roboti uporabljajo LIDAR. Podobno kot radar uporablja radijske valove, tudi LIDAR meri odbojne svetlobne impulze za identifikacijo razdalje. Uporabljena svetloba je običajno ultravijolična ali skoraj infrardeča, podobna infrardečemu senzorju globine.

LIDAR pošilja na desetine tisoč impulzov na sekundo, da ustvari tridimenzionalni zemljevid oblakov točk izredno visoke ločljivosti. Torej, ja, naslednjič, ko se Tesla kotali na avtopilotu, vas bo ustrelil z laserjem. Velikokrat.

Poleg tega algoritmi SLAM kot zunanje merjenje uporabljajo statične slike in tehnike računalniškega vida. To se naredi z eno samo kamero, lahko pa je še bolj natančno s stereo parom.

Znotraj črne škatle

Notranje meritve bodo posodobile ocenjeni položaj, ki ga lahko uporabite za posodobitev zunanjega zemljevida. Zunanje meritve bodo posodobile ocenjeni zemljevid, ki ga je mogoče uporabiti za posodobitev položaja. Na to lahko gledate kot na sklepni problem, ideja pa je najti optimalno rešitev.

Pogost način za to je verjetnost. Tehnike, kot sta približni položaj in preslikava filtra delcev z uporabo Bayesovega statističnega sklepanja.

Filter delcev uporablja določeno število delcev, razpršenih po Gaussovi porazdelitvi. Vsak delček 'napoveduje' trenutni položaj robota. Vsakemu delcu je dodeljena verjetnost. Vsi delci se začnejo z enako verjetnostjo.

Ko se izvajajo meritve, ki se medsebojno potrjujejo (na primer korak naprej = miza se povečuje), se delcem, ki so „pravilni“ v svojem položaju, postopoma povečuje verjetnost. Oddaljenim delcem je pripisana manjša verjetnost.

Bolj ko lahko robot prepozna mejnik, tem bolje. Mejniki dajejo povratne informacije algoritmu in omogočajo natančnejše izračune.

Trenutne aplikacije z uporabo algoritmov SLAM

Razstavimo ta kul del tehnologije s kul delom tehnologije.

Avtonomna podvodna vozila (AUV)

Podmornice brez posadke lahko delujejo avtonomno s tehnikami SLAM. Notranji IMU zagotavlja podatke o pospeševanju in gibanju v treh smereh. Poleg tega AUV za ocenjevanje globine uporabljajo sonar, obrnjen proti dnu. Sonar za stransko skeniranje ustvarja slike morskega dna v dosegu nekaj sto metrov.

Zasluge za sliko: Florida Sea Grant/ Flickr

Obleke za mešano resničnost

Microsoft in Magic Leap sta izdelala nosljiva očala, ki predstavljajo aplikacije mešane resničnosti. Ocena položaja in izdelava zemljevida sta ključnega pomena za te nosljive naprave. Naprave uporabljajo zemljevid za postavitev virtualnih predmetov na resnične predmete in njihovo medsebojno interakcijo.

kako 64 GB micro SD delovati na vseh napravah Android

Ker so te nosljive naprave majhne, ​​ne morejo uporabljati velikih zunanjih naprav, kot sta LIDAR ali sonar. Namesto tega se za preslikavo okolja uporabljajo manjši infrardeči senzorji globine in kamere, obrnjene navzven.

Samovozeči avtomobili

Avtonomni avtomobili imajo nekoliko prednosti pred nosljivimi. Z veliko večjo fizično velikostjo lahko avtomobili držijo večje računalnike in imajo več zunanjih naprav za notranje in zunanje meritve. Samovozeči avtomobili v mnogih pogledih predstavljajo prihodnost tehnologije, tako v programski kot strojni opremi.

SLAM tehnologija se izboljšuje

Ker se tehnologija SLAM uporablja na različne načine, je le vprašanje časa, kdaj se bo izpopolnila. Ko boste vsak dan videli samovozeče avtomobile (in druga vozila), boste vedeli, da sta hkratna lokalizacija in kartiranje pripravljena za uporabo vsem.

Tehnologija samovožnje se vsak dan izboljšuje. Želite izvedeti več? Oglejte si podrobno razčlenitev MakeUseOfa o delovanju avtomobilov, ki se vozijo sami. Morda vas bo zanimalo tudi, kako hekerji ciljajo na povezane avtomobile.

Zasluga za sliko: chesky_w/ Depositphotos

Deliti Deliti Cvrkutati E-naslov Kako dostopati do Googlove vgrajene ravni mehurčkov v sistemu Android

Če ste se kdaj morali prepričati, da je nekaj na nivoju, lahko zdaj v nekaj sekundah v telefonu dobite raven mehurčkov.

Preberite Naprej Sorodne teme
  • Pojasnjena tehnologija
  • Avtomobilska tehnologija
  • Umetna inteligenca
  • Samovozeči avto
  • SLAM
O avtorju Tom Johnsen(3 objavljeni članki)

Tom je programski inženir s Floride (vzklikni na Florida Man) s strastjo do pisanja, univerzitetnega nogometa (go Gators!), CrossFita in vejice v Oxfordu.

Več od Toma Johnsena

Naročite se na naše novice

Pridružite se našemu glasilu za tehnične nasvete, ocene, brezplačne e -knjige in ekskluzivne ponudbe!

Kliknite tukaj, če se želite naročiti