Mi a SLAM? Hogyan tudják az önvezető autók, hol vannak?

Hirdetés

Az egyidejű lokalizáció és leképezés (SLAM) valószínűleg nem egy olyan kifejezés, amelyet mindennapi használatra használ. Ugyanakkor a legújabb hűvös technológiai csodák élettartama minden milliszekunduma alatt használják ezt a folyamatot.

Mi a SLAM? Miért van rá szükség? És miről beszél ezek a hűvös technológiák?

A rövidítéstől az elvont ötletig

Itt egy gyors játék az Ön számára. Ezek közül melyik nem tartozik?

• Önvezető autók
• Kiterjesztett valóság alkalmazások
• Autonóm légi és víz alatti járművek
• Vegyes valóság hordható
• The Roomba

Gondolhatja, hogy a válasz könnyen a lista utolsó eleme. Bizonyos értelemben igaza van. Más módon, ez egy trükkös játék volt, mivel ezek a tételek kapcsolatban állnak egymással.

A (nagyon klassz) játék valódi kérdése a következő: Mi teszi megvalósíthatóvá ezeket a technológiákat? A válasz: egyidejű lokalizáció és leképezés, vagy SLAM! ahogy a jó gyerekek mondják.

Általános értelemben a SLAM algoritmusok célja elég egyszerű az iteráláshoz. A robot egyidejű lokalizációt és leképezést fog használni, hogy megbecsülje helyzetét és tájolását (vagy jelenlétét) a térben, miközben elkészíti környezetének térképét. Ez lehetővé teszi a robot számára, hogy meghatározza, hol van, és hogyan tud áthaladni egy ismeretlen térben.

Ezért igen, tehát az összes ez a fantasztikus-szmancia algoritmus a becsült pozíciót jelenti. Egy másik népszerű technológia, Globális helymeghatározó rendszer (vagy GPS) Hogyan működik a GPS-követés, és mit lehet nyomon követni?GPS. Ezt a technológiát ismerjük, amely az A-tól B-ig vezet. De a GPS ennél több. A lehetőségek világa létezik, és nem akarjuk, hogy hagyja ki. Olvass tovább az 1990-es évek első öböl-háborúja óta becsülje meg a helyzetét.

Megkülönböztetés a SLAM és a GPS között

Akkor miért van szükség egy új algoritmusra? A GPS-nek két lényeges problémája van. Először: míg a GPS pontos a globális léptékhez viszonyítva, a pontosság és a pontosság egyaránt csökken a méretarány egy szobához, egy asztalhoz vagy egy kis kereszteződéshez viszonyítva. A GPS pontossága méterig terjed, de mi a centiméter? Milliméter?

Másodszor, a GPS nem működik jól a víz alatt. Nem jól értem, egyáltalán nem értem. Hasonlóképpen, a teljesítmény foltos épületekben van, vastag betonfalakkal. Vagy alagsorokban. Megkapod az ötletet. A GPS egy műholdas rendszer, amely fizikai korlátoktól szenved.

Tehát a SLAM algoritmusok célja, hogy jobb helyzetérzékelést biztosítsanak a legfejlettebb készülékek és gépek számára.

Ezeknek az eszközöknek már van érzékelőinek és perifériáinak sokasága. A SLAM algoritmusok minél sokkal több adatot használnak fel matematikai és statisztikai adatok felhasználásával.

Csirke vagy tojás? Pozíció vagy térkép?

Matematikai és statisztikai adatokra van szükség a bonyolult kérdés megválaszolásához: a pozíciót használják-e a környezet térképének elkészítéséhez, vagy a környezeti térképet használják a helyzet kiszámításához?

Gondolt kísérlet ideje! Interdimenzionálisan elvesztek egy ismeretlen helyre. Mi az első dolog, amit csinálsz? Pánik? Rendben, nyugodj meg, lélegezz le. Fogj egy újat. Nos, mi a második dolog, amit csinálsz? Nézz körül, és próbálj megtalálni valami ismerősöt. A szék balra van. A növény jobbra van. Egy dohányzóasztal van előtted.

Ezután egyszer megbénító félelem: "Hol a fenében vagyok?" elhasználódik, mozogni kezd. Várj, hogyan működik a mozgás ebben a dimenzióban? Tegyen egy lépést előre. A szék és a növény egyre kisebb lesz, az asztal pedig egyre nagyobb lesz. Most megerősítheti, hogy valóban halad előre.

A megfigyelések kulcsfontosságúak a SLAM becslés pontosságának javításához. Az alábbi videóban, amikor a robot markerről markerre mozog, jobb környezeti térképet készít.

Vissza a másik dimenzióhoz, minél jobban járkálsz, annál jobban orientálsz. Minden irányba lépve megerősítjük, hogy ebben a dimenzióban a mozgás hasonló az otthoni dimenzióhoz. Amint jobbra megy, a növény nagyobbra looms. Hasznos, ha olyan dolgokat lát, amelyeket mérföldkőnek tekint az ebben az új világban, és amelyek lehetővé teszik, hogy magabiztosabban vándoroljon.

Ez lényegében a SLAM folyamata.

Bemenetek a folyamatba

Ezen becslések elvégzéséhez az algoritmusok számos olyan adatot használnak, amelyeket belső vagy külső kategóriákba sorolhatunk. A többdimenziós szállítási példájához (elismerjük, szórakoztató utazásod volt), a belső mérések lépések méretét és irányát mutatják.

A külső mérések képek formájában készültek. A tájékozódási pontok, például a növény, a szék és az asztal azonosítása könnyű feladat a szemnek és az agynak. Az ismert legerősebb processzor - az emberi agy - képes ezeket a képeket elkészíteni és nemcsak tárgyakat azonosítani, hanem megbecsülni az objektumtól való távolságot is.

Sajnos (vagy szerencsére, attól függően, hogy mennyire fél a SkyNet), a robotoknak nincs emberi agya, mint processzor. A gépek szilícium chipsre támaszkodnak, amelynek agya emberi írásos kódot tartalmaz.

Más gépek végeznek külső méréseket. A perifériák, például a giroszkópok vagy más inerciális mérőegységek (IMU) segítenek ebben. Az olyan robotok, mint például az önjáró autók, a belső helyzet mérésére a kerék helyzetének odometriáját is használják.

Külsőleg egy önjáró autó és más robotok használják a LIDAR-t. Hasonlóan ahhoz, ahogy a radar használja a rádióhullámokat, a LIDAR méri a visszavert fényimpulzusokat a távolság azonosításához. A felhasznált fény általában ultraibolya vagy közel infravörös, hasonlóan az infravörös mélységérzékelőhöz.

A LIDAR másodpercenként több tízezer impulzust küld ki, hogy létrehozzon egy rendkívül nagyfelbontású háromdimenziós pontfelhő-térképet. Tehát igen, amikor a Tesla legközelebb az automatikus pilóta köré gördül, lézerrel lövöldöz téged. Sokszor.

Ezenkívül a SLAM algoritmusok statikus képeket és számítógépes látástechnikákat használnak külső mérésként. Ezt egyetlen kamerával lehet megtenni, de sztereo párral még pontosabbá teheti.

A fekete doboz belsejében

A belső mérések frissítik a becsült helyzetet, amely felhasználható a külső térkép frissítésére. A külső mérések frissítik a becsült térképet, amely felhasználható a helyzet frissítésére. Gondolhat úgy, mint következtetési problémára, és az ötlet az optimális megoldás megtalálása.

Ennek egyik leggyakoribb módja a valószínűség. Az olyan technikák, mint például a részecskeszűrő hozzávetőleges helyzete és a feltérképezés, Bayes-statisztikai következtetések felhasználásával.

A részecskeszűrő meghatározott számú részecskét használ egy Gauss-eloszlás szerint eloszlatva. Mindegyik részecske „megjósolja” a robot jelenlegi helyzetét. Az egyes részecskékhez valószínűséget rendelünk. Minden részecske azonos valószínűséggel kezdődik.

Ha olyan méréseket végeznek, amelyek megerősítik egymást (például lépés előre = az asztal egyre nagyobb lesz), akkor a helyzetükben "helyes" részecskék fokozatosan kapnak jobb valószínűséget. A távoli részecskékhez alacsonyabb valószínűség tartozik.

Minél több tereptárgyat azonosít egy robot, annál jobb. A tájékozódási pontok visszajelzést adnak az algoritmusról, és lehetővé teszik a pontosabb számításokat.

Aktuális alkalmazások a SLAM algoritmusok felhasználásával

Lebontjuk ezt a hűvös technológiai darabot hűvös technológia szerint.

Autonóm víz alatti járművek

A pilóta nélküli tengeralattjárók önállóan működhetnek a SLAM technikákkal. A belső IMU gyorsulási és mozgási adatokat szolgáltat három irányba. Ezenkívül az AUV-k alulról néző szonárt használnak a mélység becsléséhez. Az oldalsó letapogató szonár képeket készít a tengerfenékről, pár száz méteres távolságban.

Vegyes valósághordók

A Microsoft és a Magic Leap hordható szemüveget készített, amelyek bemutatják Vegyes valóság alkalmazások Windows vegyes valóság: mi ez és hogyan lehet kipróbálni mostA Windows vegyes valóság egy új szolgáltatás, amely lehetővé teszi a Windows 10 virtuális és kibővített valóságban való használatát. Így izgalmas, és hogyan lehet kideríteni, hogy a számítógépe támogatja-e. Olvass tovább . A hordozhatóság szempontjából elengedhetetlen a helyzet becslése és a térkép létrehozása. Az eszközök a térkép segítségével virtuális objektumokat helyeznek a valós objektumok tetejére, és kölcsönhatásba léptetik őket egymással.

Mivel ezek a hordozható eszközök kicsi, nem használhatják a nagy perifériákat, például a LIDAR vagy a szonár. Ehelyett kisebb infravörös mélységérzékelőket és kifelé néző kamerákat használnak a környezet térképezésére.

Önjáró autók

Az autonóm autóknak kissé előnye van a ruhákkal szemben. Sokkal nagyobb fizikai mérettel az autók nagyobb számítógépeket tudnak tartani, és több perifériájukkal rendelkeznek a belső és a külső mérések elvégzéséhez. Az önjáró autók sok szempontból képviselik a technológia jövőjét, mind a szoftver, mind a hardver szempontjából.

A SLAM technológia javul

Mivel a SLAM technológiát számos különféle módon használják, csak idő kérdése, mielőtt tökéletesítik. Miután az önjáró autók (és más járművek) naponta megjelennek, akkor tudni fogja, hogy az egyidejű lokalizáció és térképezés mindenki számára készen áll.

Az önálló vezetés technológiája minden nap javul. Szeretne többet megtudni? Nézze meg a MakeUseOf részletes bontását hogyan működnek az önvezető autók Hogyan működnek az önálló vezetésű autók: Az anyák és csavarok a Google Autonóm Autó Program mögöttKépesek oda-vissza ingázni munka közben alvás közben, étkezés közben vagy felzárkózva kedvencük számára A blogok egy olyan koncepció, amely ugyanolyan vonzó és látszólag távoli, és valójában túl futurisztikus történik. Olvass tovább . Esetleg ezek is érdekelhetnek hogyan hackerek célozzák a csatlakoztatott autókat.

Kép jóváírás: chesky_w /depositphotos