Mikä on SLAM? Kuinka itse ajavat autot tietävät missä he ovat

Mainos

Samanaikainen lokalisointi ja kartoitus (SLAM) ei todennäköisesti ole lause, jota käytät päivittäin. Useat viimeisimmistä hienoista teknologian ihmeistä kuitenkin käyttävät tätä prosessia elinajansa joka millisekuntia.

Mikä on SLAM? Miksi tarvitsemme sitä? Ja mistä näistä hienoista tekniikoista puhut?

Lyhenteestä abstraktiin ideaan

Tässä on nopea peli sinulle. Mikä näistä ei kuulu?

• Itse ajavat autot
• Lisätyn todellisuuden sovellukset
• Autonomiset ilma- ja vedenalaiset ajoneuvot
• Seka todellisuus puettavat
• The Roomba

Saatat ajatella, että vastaus on helposti viimeinen kohta luettelossa. Tavallaan olet oikeassa. Toisella tavalla, tämä oli temppupeli, koska kaikki nämä esineet liittyvät toisiinsa.

(Erittäin viileä) pelin todellinen kysymys on seuraava: Mikä tekee kaikista näistä tekniikoista toteutettavissa? Vastaus: samanaikainen lokalisointi ja kartoitus tai SLAM! kuten viileät lapset sanovat sen.

Yleisessä mielessä SLAM-algoritmien tarkoitus on riittävän helppo iteroida. Robotti käyttää samanaikaista lokalisointia ja kartoitusta arvioidakseen sijaintinsa ja suuntaansa (tai poseerata) avaruudessa luotaessa ympäristökartan. Tämän avulla robotti voi tunnistaa missä se on ja kuinka liikkua tuntemattoman tilan läpi.

Siksi kyllä, toisin sanoen kaikki tämä fancy-smancy-algoritmi on estimoitu sijainti. Toinen suosittu tekniikka, Globaali paikannusjärjestelmä (tai GPS) Kuinka GPS-seuranta toimii ja mitä voit seurata?GPS. Tunnemme sen tekniikkana, joka ohjaa meidät pisteestä A pisteeseen B. Mutta GPS on enemmän kuin se. Mahdollisuuksien maailma on olemassa, emmekä halua sinun ohittavan sinua. Lue lisää on arvioinut asemaansa 1990-luvun ensimmäisestä Persianlahden sodasta lähtien.

Erottelu SLAM: n ja GPS: n välillä

Joten miksi sitten tarvitaan uutta algoritmia? GPS: llä on kaksi luontaista ongelmaa. Ensinnäkin, vaikka GPS on tarkka suhteessa globaaliin mittakaavaan, sekä tarkkuus että tarkkuus pienentävät mittakaavaa suhteessa huoneeseen, pöytään tai pieneen risteykseen. GPS: n tarkkuus on alle metri, mutta mikä senttimetri? Millimetri?

Toiseksi, GPS ei toimi hyvin vedenalaisessa tilassa. Ei hyvin, en tarkoita ollenkaan. Samoin suorituskyky on tahrainen rakennuksissa, joissa on paksut betoniseinät. Tai kellarissa. Saat idean. GPS on satelliittipohjainen järjestelmä, joka kärsii fyysisistä rajoituksista.

Joten SLAM-algoritmien tavoitteena on antaa entistä edistyneemmille laitteille ja koneille parempi sijainti-asema.

Näillä laitteilla on jo anturi- ja oheislaitteiden liitos. SLAM-algoritmit hyödyntävät mahdollisimman monien tietoja käyttämällä joitain matematiikkaa ja tilastoja.

Kana vai muna? Sijainti tai kartta?

Matematiikkaa ja tilastotietoja tarvitaan monimutkaisten kysymysten ratkaisemiseksi: käytetäänkö sijaintia ympäristökartan luomiseen vai käytetäänko sijaintikarttaa sijainnin laskemiseen?

Ajateltu kokeiluaika! Olet vääntynyt moniulotteisesti tuntemattomaan paikkaan. Mikä on ensimmäinen asia, jonka teet? Paniikki? OK, rauhoitu hyvin, hengitä. Ota toinen. Mikä on toinen tekemäsi asia? Katso ympärillesi ja yritä löytää jotain tuttua. Tuoli on vasemmalla puolella. Kasvi on oikealla puolella. Sohvapöytä on edessäsi.

Seuraavaksi kerran halvaannuttava pelko "Missä helvetissä olen?" kuluu, alat liikkua. Odota, miten liike toimii tässä ulottuvuudessa? Ota askel eteenpäin. Tuoli ja kasvi pienenevät ja pöytä pienenee. Nyt voit vahvistaa, että siirryt itse asiassa eteenpäin.

Havainnot ovat avain SLAM-estimoinnin tarkkuuden parantamiseksi. Oheisessa videossa, kun robotti siirtyy merkitsimestä merkkiin, se rakentaa paremman ympäristökartan.

Takaisin toiseen ulottuvuuteen, mitä enemmän kävelet, sitä enemmän orientoit itseäsi. Askel kaikkiin suuntiin varmistaa, että tämän ulottuvuuden liike on samanlainen kuin kotisi. Kun siirryt oikealle, kasvi kangaspuut kasvavat. Hyödyllisesti, näet muita asioita, jotka sinä tunnet maamerkeiksi tässä uudessa maailmassa ja joiden avulla voit vaeltaa varmemmin.

Tämä on pohjimmiltaan SLAM-prosessi.

Tulot prosessiin

Näiden arvioiden tekemiseksi algoritmit käyttävät useita tietoja, jotka voidaan luokitella sisäisiksi tai ulkoisiksi. Moniulotteisesta kuljetusesimerkistäsi (myöntäkää, että sinulla oli hauska matka), sisäiset mitat ovat askelten kokoa ja suuntaa.

Ulkoiset mittaukset tehdään kuvien muodossa. Maamerkkien, kuten kasvin, tuolin ja pöydän, tunnistaminen on helppo tehtävä silmille ja aivoille. Tehokkain tunnettu prosessori - ihmisen aivot - pystyy ottamaan nämä kuvat eikä vain tunnistamaan esineitä, vaan myös arvioimaan etäisyyden kohteeseen.

Valitettavasti (tai onneksi SkyNet-pelkosi mukaan) roboteilla ei ole ihmisen aivoja prosessorina. Koneet luottavat piisiruihin, joiden ihmisen kirjoittama koodi on aivot.

Muut koneet tekevät ulkoisia mittauksia. Oheislaitteet, kuten gyroskoopit tai muu hitausmittausyksikkö (IMU), ovat avuksi tässä. Robotit, kuten itse ajavat autot, käyttävät pyörien aseman odometriaa myös sisäisenä mittauksena.

Ulkoisesti itse ajava auto ja muut robotit käyttävät LIDARia. Samoin kuin tutka käyttää radioaaltoja, LIDAR mittaa heijastuneet valopulssit etäisyyden tunnistamiseksi. Käytetty valo on tyypillisesti ultravioletti tai lähellä infrapunaa, samanlainen kuin infrapunasyvyysanturi.

LIDAR lähettää kymmeniä tuhansia pulsseja sekunnissa erittäin korkealaatuisen kolmiulotteisen pistepilvikartan luomiseksi. Joten kyllä, seuraavan kerran kun Tesla vierittää autopilotissa, se ampuu sinut laserilla. Monesti.

Lisäksi SLAM-algoritmit käyttävät staattisia kuvia ja tietokoneen näkemystekniikoita ulkoisena mittauksena. Tämä tehdään yhdellä kameralla, mutta se voidaan tehdä entistä tarkemmin stereoparilla.

Musta laatikon sisällä

Sisäiset mittaukset päivittävät arvioidun sijainnin, jota voidaan käyttää ulkoisen kartan päivittämiseen. Ulkoiset mittaukset päivittävät arvioidun kartan, jota voidaan käyttää sijainnin päivittämiseen. Voit ajatella sitä päätelmäongelmana, ja tarkoituksena on löytää optimaalinen ratkaisu.

Yleinen tapa tehdä tämä on todennäköisyyden kautta. Tekniikat, kuten hiukkassuodattimen likimääräinen sijainti ja kartoitus käyttämällä Bayesin tilastollisia päätelmiä.

Hiukkassuodatin käyttää asetettua määrää hiukkasia, jotka jakautuvat Gaussin jakauman mukaan. Jokainen hiukkanen "ennustaa" robotin nykyisen sijainnin. Jokaiselle hiukkaselle osoitetaan todennäköisyys. Kaikki hiukkaset alkavat samalla todennäköisyydellä.

Kun tehdään mittauksia, jotka vahvistavat toisiaan (kuten askel eteenpäin = taulukko kasvaa), hiukkasille, jotka ovat oikeassa asemassa, annetaan asteittain parempia todennäköisyyksiä. Hiukkasille, jotka ovat kaukana, määritetään pienemmät todennäköisyydet.

Mitä enemmän maamerkkejä robotti voi tunnistaa, sitä parempi. Maamerkit antavat palautetta algoritmille ja mahdollistavat tarkempia laskelmia.

Nykyiset sovellukset SLAM-algoritmeja käyttämällä

Hajotamme tämän, hienon tekniikan pala viileällä tekniikalla.

Autonomiset vedenalaiset ajoneuvot

Miehittämättömät sukellusveneet voivat toimia itsenäisesti käyttämällä SLAM-tekniikoita. Sisäinen IMU tarjoaa kiihtyvyys- ja liikedatan kolmeen suuntaan. Lisäksi AUV: t käyttävät pohjaan suuntautuvaa luotainta syvyysarvioihin. Sivuskannauslaite luo kuvia merenpohjasta muutaman sadan metrin etäisyydellä.

Seka todellisuutta pukeutuvat

Microsoft ja Magic Leap ovat tuottaneet kannettavia laseja, jotka esittelevät niitä Sekoitetun todellisuuden sovellukset Windowsin sekoitettu todellisuus: Mikä se on ja kuinka kokeilla sitä nytWindows Mixed Reality on uusi ominaisuus, jonka avulla voit käyttää Windows 10: tä virtuaalisessa ja laajennetussa todellisuudessa. Tässä on miksi se on jännittävää ja kuinka selvittää, tukeeko tietokoneesi sitä. Lue lisää . Sijainnin arviointi ja kartan luominen on ratkaisevan tärkeää näille kudottaville. Laitteet käyttävät karttaa virtuaalisten esineiden sijoittamiseen oikeiden esineiden päälle ja saadakseen ne vuorovaikutuksessa keskenään.

Koska nämä puettavat tuotteet ovat pieniä, ne eivät voi käyttää suuria oheislaitteita, kuten LIDAR tai luotainta. Sen sijaan pienempiä infrapuna-syvyysantureita ja ulospäin suuntautuvia kameroita käytetään ympäristön kartoittamiseen.

Itse ajavat autot

Autonomisilla autoilla on hiukan etua verrattuna puettaviin tuotteisiin. Kun fyysinen koko on huomattavasti suurempi, autoissa voi olla isompia tietokoneita ja niissä on enemmän oheislaitteita sisäisten ja ulkoisten mittausten tekemistä varten. Itse ajavat autot edustavat monella tavalla tekniikan tulevaisuutta, niin ohjelmistojen kuin laitteistojenkin suhteen.

SLAM-tekniikka on parantumassa

Kun SLAM-tekniikkaa käytetään monilla eri tavoilla, on vain ajan kysymys, ennen kuin se täydennetään. Kun itse ajavat autot (ja muut ajoneuvot) nähdään päivittäin, tiedät, että samanaikainen lokalisointi ja kartoitus ovat valmiita kaikkien käytettäväksi.

Itse ajava tekniikka paranee joka päivä. Haluatko tietää enemmän? Katso MakeUseOfin yksityiskohtainen erittely kuinka itse ajavat autot toimivat Kuinka itse ajavat autot toimivat: Mutterit ja pultit Googlen autonomisen auto-ohjelman takanaKyky liikkua edestakaisin töihin nukkumisen, syömisen tai suosikkisi saavuttamisen takia blogit on käsite, joka on yhtä houkutteleva ja näennäisesti kaukainen ja liian futuristinen todellisuuden kannalta tapahtua. Lue lisää . Sinua kiinnostaa ehkä myös kuinka hakkerit kohdistavat kytkettyjä autoja.

Kuvahyvitys: chesky_w /depositphotos