Home-theater-designers
Samtidig lokalisering og kartlegging (SLAM) er sannsynligvis ikke et uttrykk du bruker hver dag. Flere av de siste kule teknologiske underverkene bruker imidlertid denne prosessen hvert millisekund av deres levetid.
Hva er SLAM? Hvorfor trenger vi det? Og hva er disse kule teknologiene du snakker om?
windows klarte ikke å fullføre formatet usb
Fra akronym til abstrakt idé
Her er et raskt spill for deg. Hvilken av disse hører ikke hjemme?
- Selvkjørende biler
- Augmented reality -apper
- Autonome fly- og undervannsbiler
- Blandet virkelighet wearables
- Roomba
Du tror kanskje at svaret lett er det siste elementet i listen. På en måte har du rett. På en annen måte var dette et trikspill ettersom alle disse elementene er relatert.
Bildekreditt: Nathan Kroll/ Flickr
Det virkelige spørsmålet om (veldig kult) spillet er dette: Hva gjør all denne teknologien mulig? Svaret: samtidig lokalisering og kartlegging, eller SLAM! som de kule barna sier det.
Generelt sett er formålet med SLAM -algoritmer lett nok til å gjenta. En robot vil bruke samtidig lokalisering og kartlegging for å estimere posisjon og orientering (eller positur) i rommet mens han lager et kart over miljøet. Dette gjør at roboten kan identifisere hvor den er og hvordan den beveger seg gjennom et ukjent rom.
Derfor, ja, det vil si at alt denne fancy-algoritmen gjør er å estimere posisjon. En annen populær teknologi, Global Positioning System (eller GPS), har estimert posisjon siden den første golfkrigen på 1990 -tallet.
Å skille mellom SLAM og GPS
Så hvorfor behovet for en ny algoritme? GPS har to iboende problemer. For det første, mens GPS er nøyaktig i forhold til en global skala, reduserer både presisjon og nøyaktighet skalaen i forhold til et rom, et bord eller et lite kryss. GPS har nøyaktighet ned til en meter, men hva centimeteren? Millimeter?
For det andre fungerer ikke GPS godt under vann. Med ikke godt mener jeg ikke i det hele tatt. På samme måte er ytelsen flekkete inne i bygninger med tykke betongvegger. Eller i kjellere. Du skjønner ideen. GPS er et satellittbasert system, som lider av fysiske begrensninger.
Så SLAM -algoritmer tar sikte på å gi en forbedret posisjon for våre mest avanserte gadgets og maskiner.
Disse enhetene har allerede en rekke sensorer og eksterne enheter. SLAM -algoritmer bruker dataene fra så mange av disse som mulig ved å bruke litt matematikk og statistikk.
Kylling eller egg? Posisjon eller kart?
Matematikk og statistikk er nødvendig for å svare på et komplekst spørsmål: brukes posisjon for å lage kartet over omgivelsene, eller brukes kartet over omgivelsene for å beregne posisjon?
Tenkte eksperiment tid! Du blir vridd interdimensjonalt til et ukjent sted. Hva er det første du gjør? Panikk? OK, rolig, ta et pust. Ta en til. Hva er det andre du gjør? Se deg rundt og prøv å finne noe kjent. En stol er til venstre for deg. En plante er til høyre for deg. Et salongbord er foran deg.
Deretter en gang den lammende frykten for 'Hvor i helvete er jeg?' avtar, begynner du å bevege deg. Vent, hvordan fungerer bevegelse i denne dimensjonen? Ta et skritt fremover. Stolen og anlegget blir mindre og bordet blir større. Nå kan du bekrefte at du faktisk går videre.
hvordan legge til apper til vizio smart tv ikke i appbutikk
Observasjoner er nøkkelen til å forbedre nøyaktigheten av SLAM -estimeringen. I videoen nedenfor, mens roboten beveger seg fra markør til markør, bygger den et bedre kart over miljøet.
Tilbake til den andre dimensjonen, jo mer du går rundt, jo mer orienterer du deg. Å gå i alle retninger bekrefter at bevegelse i denne dimensjonen ligner din hjemmedimensjon. Når du går til høyre, blomstrer planten større. Heldigvis ser du andre ting du identifiserer som landemerker i denne nye verden som lar deg vandre mer selvsikkert.
Dette er i hovedsak prosessen med SLAM.
Innspill til prosessen
For å gjøre disse estimatene bruker algoritmene flere data som kan kategoriseres som interne eller eksterne. For ditt interdimensjonale transporteksempel (innrøm det, du hadde en morsom tur), de interne målingene er trinnstørrelse og retning.
De eksterne målingene er gjort i form av bilder. Å identifisere landemerker som planten, stolen og bordet er en enkel oppgave for øyne og hjerne. Den kraftigste prosessoren som er kjent --- den menneskelige hjerne --- er i stand til å ta disse bildene og ikke bare identifisere objekter, men også estimere avstanden til objektet.
Dessverre (eller heldigvis, avhengig av frykten for SkyNet), har ikke roboter en menneskelig hjerne som prosessor. Maskiner er avhengige av silisiumbrikker med menneskelig skriftlig kode som hjerne.
Andre maskiner utfører eksterne målinger. Periferiutstyr som gyroskoper eller annen treghetsmåleenhet (IMU) er nyttige for å gjøre dette. Roboter som selvkjørende biler bruker også kilometertelleren til hjulposisjonen som en intern måling.
Bildekreditt: Jennifer Morrow/ Flickr
Eksternt bruker en selvkjørende bil og andre roboter LIDAR. I likhet med hvordan radar bruker radiobølger, måler LIDAR reflekterte lyspulser for å identifisere avstand. Lyset som brukes er vanligvis ultrafiolett eller nær infrarødt, lik en infrarød dybdesensor.
LIDAR sender ut titusenvis av pulser per sekund for å lage et ekstremt høyoppløselig tredimensjonalt punktsky-kart. Så, ja, neste gang Tesla ruller rundt på autopilot, vil den skyte deg med en laser. Mange ganger.
I tillegg bruker SLAM -algoritmer statiske bilder og datasynsteknikker som en ekstern måling. Dette gjøres med et enkelt kamera, men kan gjøres enda mer nøyaktig med et stereopar.
Inne i Black Box
Interne målinger vil oppdatere den estimerte posisjonen, som kan brukes til å oppdatere det eksterne kartet. Eksterne målinger vil oppdatere det estimerte kartet, som kan brukes til å oppdatere posisjonen. Du kan tenke på det som et slutningsproblem, og tanken er å finne den optimale løsningen.
En vanlig måte å gjøre dette på er gjennom sannsynlighet. Teknikker som et partikkelfilter omtrentlig posisjon og kartlegging ved bruk av bayesisk statistisk slutning.
Et partikkelfilter bruker et bestemt antall partikler spredt ved en gaussisk fordeling. Hver partikkel 'forutsier' robotens nåværende posisjon. En sannsynlighet er tildelt hver partikkel. Alle partikler starter med samme sannsynlighet.
Når det gjøres målinger som bekrefter hverandre (for eksempel skritt fremover = tabellen blir større), får partiklene som er 'riktige' i posisjonen gradvis bedre sannsynligheter. Partikler som er langt unna er tildelt lavere sannsynligheter.
Jo flere landemerker en robot kan identifisere, jo bedre. Landemerker gir tilbakemelding til algoritmen og gir mulighet for mer presise beregninger.
Aktuelle applikasjoner som bruker SLAM -algoritmer
La oss bryte ned dette, kule stykke teknologi for kult stykke teknologi.
Autonome undervannsbiler (AUV)
Ubemannede ubåter kan operere autonomt ved hjelp av SLAM -teknikker. En intern IMU gir akselerasjons- og bevegelsesdata i tre retninger. I tillegg bruker AUVer bunnvendt ekkolodd for dybdeestimater. Side scan sonar skaper bilder av havbunnen, med en rekkevidde på et par hundre meter.
Bildekreditt: Florida Sea Grant/ Flickr
Mixed Reality Wearables
Microsoft og Magic Leap har produsert bærbare briller som introduserer Mixed Reality -applikasjoner. Å estimere posisjon og lage et kart er avgjørende for disse wearables. Enhetene bruker kartet til å plassere virtuelle objekter oppå virkelige objekter og få dem til å samhandle med hverandre.
hvordan du kan forbedre dedikert videoram
Siden disse bærbare enhetene er små, kan de ikke bruke store eksterne enheter som LIDAR eller ekkolodd. I stedet brukes mindre infrarøde dybdesensorer og utovervendte kameraer for å kartlegge et miljø.
Selvkjørende biler
Autonome biler har en liten fordel i forhold til wearables. Med en mye større fysisk størrelse kan biler holde større datamaskiner og ha flere eksterne enheter for å gjøre interne og eksterne målinger. Selvkjørende biler representerer på mange måter teknologiens fremtid, både når det gjelder programvare og maskinvare.
SLAM -teknologien forbedres
Siden SLAM -teknologien brukes på en rekke forskjellige måter, er det bare et spørsmål om tid før den blir perfeksjonert. Når selvkjørende biler (og andre kjøretøyer) er sett på daglig basis, vet du at samtidig lokalisering og kartlegging er klar for alle å bruke.
Selvkjørende teknologi blir bedre for hver dag. Vil du vite mer? Sjekk ut MakeUseOfs detaljerte oversikt over hvordan selvkjørende biler fungerer. Du kan også være interessert i hvordan hackere er rettet mot tilkoblede biler.
Bildekreditt: chesky_w/ Depositphotos
Dele Dele kvitring E -post Slik får du tilgang til Googles innebygde boblenivå på AndroidHvis du noen gang har trengt å sørge for at noe er i vater, kan du nå få et boblenivå på telefonen din på få sekunder.
Les neste Relaterte temaer- Teknologi forklart
- Automotive Technology
- Kunstig intelligens
- Selvkjørende bil
- SLAM
Tom er en programvareingeniør fra Florida (rope til Florida Man) med en lidenskap for å skrive, college-fotball (go Gators!), CrossFit og Oxford-kommaer.
Mer fra Tom JohnsenAbonner på vårt nyhetsbrev
Bli med i vårt nyhetsbrev for tekniske tips, anmeldelser, gratis ebøker og eksklusive tilbud!
Klikk her for å abonnere