Home-theater-designers
Едновременната локализация и картографиране (SLAM) вероятно не е фраза, която използвате всеки ден. Въпреки това, няколко от най -новите хладни технологични чудеса използват този процес всяка милисекунда от техния живот.
Какво е SLAM? Защо имаме нужда от него? И какви са тези готини технологии, за които говорите?
как да си направите друг акаунт в google
От съкращение до абстрактна идея
Ето една бърза игра за вас. Кое от тези не принадлежи?
- Самоуправляващи се автомобили
- Приложения с разширена реалност
- Автономни въздушни и подводни превозни средства
- Носими смесени реалности
- Румбата
Може да мислите, че отговорът лесно е последният елемент в списъка. В известен смисъл си прав. По друг начин това беше трик игра, тъй като всички тези елементи са свързани.
Снимка: Nathan Kroll/ Flickr
Истинският въпрос на (много готината) игра е следният: Какво прави всички тези технологии осъществими? Отговорът: едновременна локализация и картографиране, или SLAM! както го казват готините деца.
В общ смисъл целта на SLAM алгоритмите е достатъчно лесна за повторение. Роботът ще използва едновременна локализация и картографиране, за да оцени своята позиция и ориентация (или поза) в пространството, докато създава карта на своята среда. Това позволява на робота да идентифицира къде се намира и как да се движи през някакво неизвестно пространство.
Следователно, да, това означава, че всичко, което този фантастичен алгоритъм намалява, е да оцени позицията. Друга популярна технология, Глобалната система за позициониране (или GPS), оценява позицията от първата война в Персийския залив през 90 -те години.
Разграничаване между SLAM и GPS
Тогава защо е необходим нов алгоритъм? GPS има два присъщи проблема. Първо, докато GPS е точен спрямо глобалния мащаб, както точността, така и точността намаляват мащаба спрямо стая, маса или малко кръстовище. GPS има точност до метър, но какъв е сантиметърът? Милиметър?
Второ, GPS не работи добре под вода. Под не добре имам предвид изобщо. По същия начин производителността е петна в сгради с дебели бетонни стени. Или в мазета. Вие схващате идеята. GPS е сателитна система, която страда от физически ограничения.
Така че алгоритмите на SLAM имат за цел да дадат подобрено усещане за позиция на най -модерните ни джаджи и машини.
Тези устройства вече имат редица сензори и периферни устройства. Алгоритмите на SLAM използват данните от възможно най -много от тях, като използват математика и статистика.
Пиле или яйце? Позиция или карта?
Математиката и статистиката са необходими, за да се отговори на сложен проблем: позицията се използва за създаване на картата на околността или картата на околността се използва за изчисляване на позицията?
Време за мисловен експеримент! Вие сте междуизмерно изкривени до непознато място. Какво е първото нещо, което правите? Паника? Добре, успокой се, поеми дъх. Вземете друга. Какво е второто нещо, което правите? Огледайте се и се опитайте да намерите нещо познато. Вляво е стол. Отдясно е растение. Пред вас е масичка за кафе.
След това, веднъж парализиращият страх от „Къде съм, по дяволите?“ изчезва, започваш да се движиш. Чакайте, как движението работи в това измерение? Направете крачка напред. Столът и растението стават все по -малки, а масата става все по -голяма. Сега можете да потвърдите, че всъщност продължавате напред.
как да спрем хрома да отнеме толкова много памет
Наблюденията са ключови за подобряване на точността на SLAM оценката. Във видеото по -долу, докато роботът се движи от маркер към маркер, той изгражда по -добра карта на околната среда.
Обратно към другото измерение, колкото повече се разхождате, толкова повече се ориентирате. Стъпването във всички посоки потвърждава, че движението в това измерение е подобно на вашето домашно измерение. Когато отидете вдясно, растението се издига по -голямо. Полезно е да видите други неща, които определяте като ориентири в този нов свят, които ви позволяват да се лутате по -уверено.
Това по същество е процесът на SLAM.
Входни данни за процеса
За да направят тези оценки, алгоритмите използват няколко части данни, които могат да бъдат категоризирани като вътрешни или външни. За вашия пример за междуизмерен транспорт (признайте, че сте имали забавно пътуване), вътрешните измервания са размера на стъпките и посоката.
Външните измервания са под формата на изображения. Идентифицирането на забележителности като растението, стола и масата е лесна задача за очите и мозъка. Най-мощният познат процесор-човешкият мозък-е в състояние да прави тези изображения и не само да идентифицира обекти, но и да изчислява разстоянието до този обект.
За съжаление (или за щастие, в зависимост от страха ви от SkyNet), роботите нямат човешки мозък като процесор. Машините разчитат на силициеви чипове с човешки писмен код като мозък.
Други машини правят външни измервания. Периферни устройства като жироскопи или друга инерционна измервателна единица (IMU) са полезни за това. Роботи като самоуправляващи се автомобили също използват одометрията на положението на колелото като вътрешно измерване.
Снимка: Дженифър Мороу/ Flickr
Външно самоуправляваща се кола и други роботи използват LIDAR. Подобно на това как радарът използва радиовълни, LIDAR измерва отразените светлинни импулси, за да идентифицира разстоянието. Използваната светлина обикновено е ултравиолетова или близо до инфрачервена, подобна на инфрачервения сензор за дълбочина.
LIDAR изпраща десетки хиляди импулси в секунда, за да създаде триизмерна карта на облака от точки с изключително висока разделителна способност. Така че, да, следващия път, когато Tesla се търкаля на автопилот, ще ви заснеме с лазер. Много пъти.
Освен това алгоритмите SLAM използват статични изображения и техники за компютърно зрение като външно измерване. Това се прави с една камера, но може да се направи още по -точна със стерео двойка.
Вътре в черната кутия
Вътрешните измервания ще актуализират прогнозната позиция, която може да се използва за актуализиране на външната карта. Външните измервания ще актуализират прогнозната карта, която може да се използва за актуализиране на позицията. Можете да мислите за това като проблем с извод и идеята е да се намери оптималното решение.
Често срещан начин да направите това е чрез вероятността. Техники като приблизителна позиция на филтъра за частици и картографиране, използвайки Байесов статистически извод.
Филтърът за частици използва определен брой частици, разпределени чрез разпределение на Гаус. Всяка частица „предсказва“ текущата позиция на робота. На всяка частица се приписва вероятност. Всички частици започват с еднаква вероятност.
Когато се правят измервания, които се потвърждават взаимно (като стъпка напред = таблицата става все по -голяма), тогава частиците, които са „правилни“ в своето положение, постепенно получават по -добри вероятности. На частиците, които са далеч, се присвояват по -ниски вероятности.
Колкото повече ориентири може да идентифицира един робот, толкова по -добре. Ориентирите осигуряват обратна връзка към алгоритъма и позволяват по -прецизни изчисления.
Текущи приложения, използващи алгоритми на SLAM
Нека разбием тази готина технология чрез готина технология.
Автономни подводни превозни средства (AUV)
Безпилотните подводници могат да действат автономно, използвайки техники SLAM. Вътрешен IMU осигурява ускорение и данни за движение в три посоки. Освен това, AUV използват сонар, насочен към дъното, за оценка на дълбочината. Сонарът за странично сканиране създава изображения на морското дъно с обхват от няколкостотин метра.
Кредит на изображението: Florida Sea Grant/ Flickr
Носители за смесена реалност
Microsoft и Magic Leap са произвели очила за носене, които въвеждат приложения за смесена реалност. Оценката на позицията и създаването на карта е от решаващо значение за тези носими материали. Устройствата използват картата, за да поставят виртуални обекти върху реални обекти и да ги накарат да си взаимодействат помежду си.
как да се отървете от прекъсвания на страници в word
Тъй като тези носими устройства са малки, те не могат да използват големи периферни устройства като LIDAR или сонар. Вместо това, по -малки инфрачервени сензори за дълбочина и насочени навън камери се използват за картографиране на среда.
Самоуправляващи се автомобили
Автономните автомобили имат малко предимство пред носещите се. С много по -голям физически размер, автомобилите могат да държат по -големи компютри и да имат повече периферни устройства за извършване на вътрешни и външни измервания. В много отношения самоуправляващите се автомобили представляват бъдещето на технологиите, както по отношение на софтуер, така и хардуер.
SLAM технологията се подобрява
Тъй като SLAM технологията се използва по много различни начини, е само въпрос на време тя да бъде усъвършенствана. След като ежедневно се виждат самоуправляващи се автомобили (и други превозни средства), ще знаете, че едновременната локализация и картографиране са готови за използване от всички.
Технологията за самоуправление се подобрява всеки ден. Искате ли да знаете повече? Вижте подробната разбивка на MakeUseOf за това как работят самоуправляващите се автомобили. Може също да се интересувате как хакерите са насочени към свързани автомобили.
Кредит на изображението: chesky_w/ Depositphotos
Дял Дял Туит електронна поща Как да получите достъп до вграденото ниво на балон на Google в AndroidАко някога сте имали нужда да се уверите, че нещо е на ниво, сега можете да получите ниво на балончета на телефона си за секунди.
Прочетете Напред Свързани теми- Обяснена технология
- Автомобилни технологии
- Изкуствен интелект
- Самоуправляваща се кола
- SLAM
Том е софтуерен инженер от Флорида (извикайте към Florida Man) със страст към писането, колежански футбол (go Gators!), CrossFit и запетаите в Оксфорд.
Още от Том ДжонсенАбонирайте се за нашия бюлетин
Присъединете се към нашия бюлетин за технически съвети, рецензии, безплатни електронни книги и изключителни оферти!
Щракнете тук, за да се абонирате