Home-theater-designers
Vienlaicīga lokalizācija un kartēšana (SLAM), visticamāk, nav frāze, kuru lietojat ikdienā. Tomēr vairāki jaunākie atdzist tehnoloģiskie brīnumi šo procesu izmanto ik pēc milisekundes visā to kalpošanas laikā.
Kas ir SLAM? Kāpēc mums tas ir vajadzīgs? Un kādas ir šīs lieliskās tehnoloģijas, par kurām jūs runājat?
norunājiet tikšanos ābolu veikalā
No akronīma līdz abstraktai idejai
Šeit ir ātra spēle jums. Kurš no šiem nepieder?
- Pašbraucošas automašīnas
- Paplašinātās realitātes lietotnes
- Autonomi gaisa un zemūdens transportlīdzekļi
- Jauktas realitātes valkājamie
- Roomba
Jūs domājat, ka atbilde ir viegli pēdējā saraksta vienība. Savā ziņā jums ir taisnība. Citā veidā šī bija viltīga spēle, jo visi šie priekšmeti ir saistīti.
Attēlu kredīts: Nathan Kroll/ Flickr
Patiesais (ļoti foršās) spēles jautājums ir šāds: kas padara visas šīs tehnoloģijas realizējamas? Atbilde: vienlaicīga lokalizācija un kartēšana, vai SLAM! kā saka foršie bērni.
Vispārīgā nozīmē SLAM algoritmu mērķi ir pietiekami viegli atkārtot. Robots izmantos vienlaicīgu lokalizāciju un kartēšanu, lai novērtētu savu atrašanās vietu un orientāciju (vai pozu) telpā, veidojot savas vides karti. Tas ļauj robotam noteikt, kur tas atrodas, un kā pārvietoties pa kādu nezināmu telpu.
Tāpēc jā, tas ir, viss šis iedomātā izveicības algoritms ir pozīcijas novērtējums. Vēl viena populāra tehnoloģija - globālā pozicionēšanas sistēma (vai GPS) - novērtē atrašanās vietu kopš pirmā Persijas līča kara 1990.
SLAM un GPS atšķirība
Tad kāpēc ir vajadzīgs jauns algoritms? GPS ir divas raksturīgas problēmas. Pirmkārt, lai gan GPS ir precīzs attiecībā pret pasaules mērogu, gan precizitāte, gan precizitāte samazina mērogu attiecībā pret telpu, galdu vai nelielu krustojumu. GPS precizitāte ir līdz metram, bet kāds ir centimetrs? Milimetrs?
Otrkārt, GPS nedarbojas labi zem ūdens. Ar sliktu es domāju, ka nemaz. Līdzīgi veiktspēja ir plankumaina ēkās ar biezām betona sienām. Vai pagrabos. Jūs saprotat ideju. GPS ir satelītu sistēma, kas cieš no fiziskiem ierobežojumiem.
Tātad SLAM algoritmu mērķis ir uzlabot mūsu vismodernāko sīkrīku un iekārtu pozīciju.
Šīm ierīcēm jau ir sensoru un perifērijas ierīču litānija. SLAM algoritmi izmanto datus no pēc iespējas vairāk, izmantojot matemātiku un statistiku.
Vistas vai olas? Pozīcija vai karte?
Matemātika un statistika ir nepieciešama, lai atbildētu uz sarežģītu jautājumu: vai atrašanās vieta tiek izmantota, lai izveidotu apkārtnes karti, vai arī apkārtnes karte, lai aprēķinātu atrašanās vietu?
Domu eksperimenta laiks! Jūs esat starpdimensionāli novirzījies uz nepazīstamu vietu. Kāda ir pirmā lieta, ko jūs darāt? Panika? Labi, nomierinies, ievelc elpu. Ņem citu. Tagad, kas ir otrā lieta, ko jūs darāt? Paskatieties apkārt un mēģiniet atrast kaut ko pazīstamu. Pa kreisi ir krēsls. Augs ir jums pa labi. Jūsu priekšā ir kafijas galdiņš.
Tālāk, reiz paralizējošās bailes no 'Kur pie velna es esmu?' nodilst, jūs sākat kustēties. Pagaidi, kā kustība darbojas šajā dimensijā? Sper soli uz priekšu. Krēsls un augs kļūst mazāki, un galds kļūst lielāks. Tagad jūs varat apstiprināt, ka patiesībā virzāties uz priekšu.
kā izvēlēties noklusējuma Google kontu
Novērojumi ir atslēga, lai uzlabotu SLAM novērtējuma precizitāti. Zemāk esošajā videoklipā robots, pārvietojoties no marķiera uz marķieri, veido labāku vides karti.
Atgriežoties pie citas dimensijas, jo vairāk staigājat apkārt, jo vairāk orientējaties. Solis visos virzienos apstiprina, ka kustība šajā dimensijā ir līdzīga jūsu mājas dimensijai. Ejot pa labi, augs stiepjas lielāks. Noderīgi, jūs redzat citas lietas, kuras jūs identificējat kā orientierus šajā jaunajā pasaulē, kas ļauj jums klīst drošāk.
Tas būtībā ir SLAM process.
Ievadi procesā
Lai veiktu šos aprēķinus, algoritmi izmanto vairākus datus, kurus var klasificēt kā iekšējos vai ārējos. Jūsu starpdimensiju transporta piemēram (atzīstiet, ka jums bija jautrs ceļojums), iekšējie mērījumi ir soļu lielums un virziens.
Veiktie ārējie mērījumi ir attēlu veidā. Tādu orientieru noteikšana kā augs, krēsls un galds ir viegls uzdevums acīm un smadzenēm. Visspēcīgākais zināmais procesors-cilvēka smadzenes-spēj uzņemt šos attēlus un ne tikai identificēt objektus, bet arī novērtēt attālumu līdz šim objektam.
Diemžēl (vai par laimi, atkarībā no jūsu bailēm no SkyNet) robotiem nav cilvēka smadzenes kā procesors. Mašīnas kā smadzenes paļaujas uz silīcija mikroshēmām ar cilvēka rakstītu kodu.
Citas mašīnas veic ārējus mērījumus. Šim nolūkam noder perifērijas ierīces, piemēram, žiroskopi vai cita inerciāla mērvienība (IMU). Roboti, piemēram, pašbraucošas automašīnas, kā iekšēju mērījumu izmanto arī riteņu stāvokļa odometriju.
Attēlu kredīts: Jennifer Morrow/ Flickr
Ārēji pašbraucoša automašīna un citi roboti izmanto LIDAR. Līdzīgi kā radars izmanto radioviļņus, LIDAR mēra atstarotos gaismas impulsus, lai noteiktu attālumu. Izmantotā gaisma parasti ir ultravioletais vai gandrīz infrasarkanais, līdzīgi kā infrasarkanais dziļuma sensors.
LIDAR izsūta desmitiem tūkstošu impulsu sekundē, lai izveidotu ārkārtīgi augstas izšķirtspējas trīsdimensiju punktu mākoņu karti. Tātad, jā, nākamreiz, kad Tesla rullēs apkārt ar autopilotu, tā uzņems jūs ar lāzeru. Daudz reižu.
Turklāt SLAM algoritmi kā ārēju mērījumu izmanto statiskus attēlus un datora redzes metodes. Tas tiek darīts ar vienu kameru, bet to var padarīt vēl precīzāku ar stereo pāri.
Melnās kastes iekšpusē
Iekšējie mērījumi atjauninās paredzamo atrašanās vietu, ko var izmantot, lai atjauninātu ārējo karti. Ārējie mērījumi atjauninās aptuveno karti, kuru var izmantot, lai atjauninātu atrašanās vietu. Jūs to varat uzskatīt par secinājuma problēmu, un ideja ir atrast optimālu risinājumu.
Parasts veids, kā to izdarīt, ir varbūtība. Tādi paņēmieni kā daļiņu filtra aptuvenā atrašanās vieta un kartēšana, izmantojot Bayesian statistikas secinājumu.
Daļiņu filtrs izmanto noteiktu daļiņu skaitu, ko izkliedē Gausa sadalījums. Katra daļiņa “paredz” robota pašreizējo atrašanās vietu. Katrai daļiņai tiek piešķirta varbūtība. Visas daļiņas sākas ar tādu pašu varbūtību.
Kad tiek veikti mērījumi, kas viens otru apstiprina (piemēram, solis uz priekšu = galds kļūst lielāks), tad daļiņām, kas savā pozīcijā ir “pareizas”, pakāpeniski tiek dota labāka varbūtība. Daļiņām, kas atrodas tālu, tiek piešķirta mazāka varbūtība.
Jo vairāk orientieru robots var identificēt, jo labāk. Orientieri sniedz atsauksmes par algoritmu un ļauj veikt precīzākus aprēķinus.
Pašreizējās lietojumprogrammas, izmantojot SLAM algoritmus
Izjauksim šo, foršo tehnoloģiju, izmantojot atdzist tehnoloģiju.
Autonomie zemūdens transportlīdzekļi (AUV)
Bezpilota zemūdenes var darboties autonomi, izmantojot SLAM metodes. Iekšējais IMU nodrošina paātrinājuma un kustības datus trīs virzienos. Turklāt dziļuma novērtēšanai AUV izmanto sonāru, kas vērsts uz leju. Sānu skenēšanas hidrolokators rada jūras dibena attēlus ar pāris simtu metru darbības rādiusu.
Attēlu kredīts: Florida Sea Grant/ Flickr
Valkājami jauktas realitātes apģērbi
Microsoft un Magic Leap ir ražojuši valkājamas brilles, kas ievieš jauktas realitātes lietojumprogrammas. Šiem valkājamiem priekšmetiem ir ļoti svarīgi novērtēt atrašanās vietu un izveidot karti. Ierīces izmanto karti, lai virtuālos objektus novietotu virs reāliem objektiem un ļautu tiem mijiedarboties savā starpā.
atrodiet mūziku YouTube videoklipā
Tā kā šīs valkājamās ierīces ir mazas, tās nevar izmantot lielas perifērijas ierīces, piemēram, LIDAR vai hidrolokatoru. Tā vietā vides kartēšanai tiek izmantoti mazāki infrasarkanie dziļuma sensori un uz āru vērstās kameras.
Pašbraucošas automašīnas
Autonomajām automašīnām ir nelielas priekšrocības salīdzinājumā ar valkājamiem. Ar daudz lielāku fizisko izmēru automašīnās var būt lielāki datori un vairāk perifērijas ierīču, lai veiktu iekšējos un ārējos mērījumus. Pašpiedziņas automašīnas daudzējādā ziņā pārstāv tehnoloģiju nākotni gan programmatūras, gan aparatūras ziņā.
SLAM tehnoloģija uzlabojas
Tā kā SLAM tehnoloģija tiek izmantota dažādos veidos, tās pilnveidošana ir tikai laika jautājums. Kad pašbraucošās automašīnas (un citi transportlīdzekļi) ir redzamas katru dienu, jūs zināt, ka vienlaicīga lokalizācija un kartēšana ir gatava lietošanai ikvienam.
Pašpiedziņas tehnoloģija katru dienu uzlabojas. Vai vēlaties uzzināt vairāk? Iepazīstieties ar MakeUseOf detalizētu pašpiedziņas automašīnu darbības pārskatu. Jūs varētu interesēt arī tas, kā hakeri mērķē uz savienotajām automašīnām.
Attēla kredīts: chesky_w/ Depositphotos
Kopīgot Kopīgot Čivināt E -pasts Kā piekļūt Google iebūvētajam burbuļa līmenim operētājsistēmā AndroidJa jums kādreiz ir bijis jāpārliecinās, ka kaut kas ir vienā līmenī, tagad tālrunī varat iegūt burbuļa līmeni dažu sekunžu laikā.
Lasīt Tālāk Saistītās tēmas- Izskaidrota tehnoloģija
- Automobiļu tehnoloģija
- Mākslīgais intelekts
- Pašbraucoša automašīna
- SLAM
Toms ir programmatūras inženieris no Floridas (kliedziens Floridas cilvēkam) ar aizraušanos ar rakstīšanu, koledžas futbolu (go Gators!), CrossFit un Oksfordas komatus.
Vairāk no Toma DžonsenaAbonējiet mūsu biļetenu
Pievienojieties mūsu informatīvajam izdevumam, lai iegūtu tehniskus padomus, pārskatus, bezmaksas e -grāmatas un ekskluzīvus piedāvājumus!
Noklikšķiniet šeit, lai abonētu