Hvad er SLAM? Hvordan selvkørende biler ved, hvor de er

Hvad er SLAM? Hvordan selvkørende biler ved, hvor de er

Samtidig lokalisering og kortlægning (SLAM) er sandsynligvis ikke en sætning, du bruger hver dag. Flere af de nyeste fede teknologiske vidundere bruger imidlertid denne proces hvert millisekund af deres levetid.





Hvad er SLAM? Hvorfor har vi brug for det? Og hvad er disse fede teknologier, du taler om?



hvordan man laver en note på Windows 10

Fra akronym til abstrakt idé

Her er et hurtigt spil til dig. Hvilken af ​​disse hører ikke hjemme?





  • Selvkørende biler
  • Augmented reality -apps
  • Autonome luft- og undervandsbiler
  • Blandet reality -wearables
  • Roomba

Du tror måske, at svaret let er det sidste punkt på listen. På en måde har du ret. På en anden måde var dette et trick -spil, da alle disse ting er relateret.

Billedkredit: Nathan Kroll/ Flickr



Det virkelige spørgsmål om det (meget fede) spil er dette: Hvad gør alle disse teknologier mulige? Svaret: samtidig lokalisering og kortlægning, eller SLAM! som de seje børn siger det.

I en generel forstand er formålet med SLAM -algoritmer let nok til at gentage. En robot vil bruge samtidig lokalisering og kortlægning til at estimere sin position og orientering (eller positur) i rummet, mens han opretter et kort over sit miljø. Dette gør det muligt for robotten at identificere, hvor den er, og hvordan den bevæger sig gennem et ukendt rum.



Derfor, ja, det vil sige, at alt, hvad denne smarte algoritme gør, er at estimere position. En anden populær teknologi, Global Positioning System (eller GPS), har estimeret position siden den første Golfkrig i 1990'erne.

Differentiering mellem SLAM og GPS

Så hvorfor så behovet for en ny algoritme? GPS har to iboende problemer. For det første, mens GPS er nøjagtig i forhold til en global skala, reducerer både præcision og nøjagtighed skalaen i forhold til et værelse, et bord eller et lille kryds. GPS har nøjagtighed ned til en meter, men hvad centimeteren? Millimeter?



For det andet fungerer GPS ikke godt under vandet. Med ikke godt mener jeg slet ikke. På samme måde er ydelsen plettet inde i bygninger med tykke betonvægge. Eller i kældre. Du får ideen. GPS er et satellitbaseret system, der lider af fysiske begrænsninger.

Så SLAM -algoritmer sigter mod at give en forbedret følelse af position for vores mest avancerede gadgets og maskiner.

Disse enheder har allerede en række sensorer og periferiudstyr. SLAM -algoritmer udnytter data fra så mange af disse som muligt ved hjælp af matematik og statistik.

Kylling eller æg? Position eller kort?

Matematik og statistik er nødvendige for at besvare et komplekst spørgsmål: bruges position til at oprette et kort over omgivelserne, eller bruges kortet over omgivelserne til at beregne position?

Tænkte eksperiment tid! Du forvrænges interdimensionelt til et ukendt sted. Hvad er det første, du gør? Panik? OK, roligt, tag en ånde. Tag en anden. Hvad er den anden ting du gør? Se dig omkring og prøv at finde noget kendt. En stol er til venstre for dig. En plante er til højre for dig. Et sofabord står foran dig.

Dernæst en gang den lammende frygt for 'Hvor fanden er jeg?' slides, begynder du at bevæge dig. Vent, hvordan virker bevægelse i denne dimension? Tag et skridt fremad. Stolen og anlægget bliver mindre, og bordet bliver større. Nu kan du bekræfte, at du faktisk går fremad.

hvad er kodi og hvordan fungerer det

Observationer er nøglen til at forbedre SLAM -estimeringens nøjagtighed. I videoen herunder, når robotten bevæger sig fra markør til markør, opbygger den et bedre kort over miljøet.

Tilbage til den anden dimension, jo mere du går rundt, jo mere orienterer du dig. At træde i alle retninger bekræfter, at bevægelse i denne dimension ligner din hjemmedimension. Når du går til højre, væver planten større. Nyttigt ser du andre ting, som du identificerer som vartegn i denne nye verden, der giver dig mulighed for at vandre mere selvsikkert.

Dette er hovedsageligt SLAM -processen.

Input til processen

For at foretage disse estimater bruger algoritmerne flere stykker data, der kan kategoriseres som interne eller eksterne. For dit tværdimensionale transporteksempel (indrøm det, du havde en sjov tur), de interne målinger er trinstørrelse og retning.

De eksterne målinger foretages i form af billeder. At identificere vartegn som f.eks. Anlægget, stolen og bordet er en let opgave for øjne og hjerne. Den mest kraftfulde processor, der kendes --- den menneskelige hjerne --- er i stand til at tage disse billeder og ikke bare identificere objekter, men også estimere afstanden til objektet.

Desværre (eller heldigvis, afhængigt af din frygt for SkyNet), har robotter ikke en menneskelig hjerne som processor. Maskiner er afhængige af siliciumchips med menneskelig skriftlig kode som hjerne.

Andre maskiner foretager eksterne målinger. Periferiudstyr såsom gyroskoper eller anden inertial måleenhed (IMU) er nyttige til at gøre dette. Robotter som selvkørende biler bruger også kilometertællingen for hjulposition som en intern måling.

Billedkredit: Jennifer Morrow/ Flickr

Eksternt bruger en selvkørende bil og andre robotter LIDAR. Ligesom hvordan radar bruger radiobølger, måler LIDAR reflekterede lyspulser for at identificere afstand. Det anvendte lys er typisk ultraviolet eller nær infrarødt, svarende til en infrarød dybdesensor.

LIDAR sender titusinder af pulser i sekundet for at oprette et ekstremt high definition tredimensionalt punktsky-kort. Så ja, næste gang Tesla ruller rundt på autopilot, skyder den dig med en laser. Mange gange.

Derudover bruger SLAM -algoritmer statiske billeder og computervisionsteknikker som en ekstern måling. Dette gøres med et enkelt kamera, men kan gøres endnu mere præcist med et stereopar.

Inde i den sorte boks

Interne målinger opdaterer den estimerede position, som kan bruges til at opdatere det eksterne kort. Eksterne målinger opdaterer det estimerede kort, som kan bruges til at opdatere positionen. Du kan tænke på det som et slutningsproblem, og tanken er at finde den optimale løsning.

En almindelig måde at gøre dette på er gennem sandsynlighed. Teknikker som et partikelfilter omtrentlig position og kortlægning ved hjælp af bayesisk statistisk inferens.

Et partikelfilter bruger et bestemt antal partikler spredt ud ved en gaussisk fordeling. Hver partikel 'forudsiger' robotens nuværende position. Hver partikel tildeles en sandsynlighed. Alle partikler starter med samme sandsynlighed.

Når der foretages målinger, der bekræfter hinanden (f.eks. Skridt fremad = bordet bliver større), får partiklerne, der er 'korrekte' i deres position, gradvist større sandsynlighed. Partikler, der er langt væk, tildeles lavere sandsynligheder.

Jo flere vartegn en robot kan identificere, jo bedre. Vartegn giver feedback til algoritmen og giver mulighed for mere præcise beregninger.

Aktuelle applikationer ved hjælp af SLAM -algoritmer

Lad os bryde dette ned, seje stykke teknologi for sejt stykke teknologi.

Autonome undervandsbiler (AUV'er)

Ubemandede ubåde kan operere autonomt ved hjælp af SLAM -teknikker. En intern IMU giver accelerations- og bevægelsesdata i tre retninger. Derudover bruger AUV'er bundvendt ekkolod til dybdeestimater. Side scan -ekkolod skaber billeder af havbunden med en rækkevidde på et par hundrede meter.

Billedkredit: Florida Sea Grant/ Flickr

Mixed Reality Wearables

Microsoft og Magic Leap har produceret bærbare briller, der introducerer Mixed Reality -applikationer. Estimering af position og oprettelse af et kort er afgørende for disse wearables. Enhederne bruger kortet til at placere virtuelle objekter oven på rigtige objekter og få dem til at interagere med hinanden.

hvor er alle snapchat filtre

Da disse wearables er små, kan de ikke bruge store eksterne enheder såsom LIDAR eller ekkolod. I stedet bruges mindre infrarøde dybdesensorer og udadvendte kameraer til at kortlægge et miljø.

Selvkørende biler

Autonome biler har en lille fordel i forhold til wearables. Med en meget større fysisk størrelse kan biler holde større computere og have flere eksterne enheder til at foretage interne og eksterne målinger. Selvkørende biler repræsenterer på mange måder teknologiens fremtid, både hvad angår software og hardware.

SLAM -teknologien forbedres

Da SLAM -teknologien bruges på en række forskellige måder, er det kun et spørgsmål om tid, før den bliver perfektioneret. Når selvkørende biler (og andre køretøjer) ses dagligt, ved du, at samtidig lokalisering og kortlægning er klar til brug for alle.

Selvkørende teknologi forbedres hver dag. Vil du vide mere? Se MakeUseOfs detaljerede oversigt over, hvordan selvkørende biler fungerer. Du er muligvis også interesseret i, hvordan hackere målretter mod forbundne biler.

Billedkredit: chesky_w/ Depositphotos

Del Del Tweet E -mail Sådan får du adgang til Googles indbyggede bobleniveau på Android

Hvis du nogensinde har haft brug for at sikre, at noget er i niveau med en knivspids, kan du nu få et bobleniveau på din telefon på få sekunder.

Læs Næste Relaterede emner
  • Teknologi forklaret
  • Automotive Technology
  • Kunstig intelligens
  • Selvkørende bil
  • SLAM
Om forfatteren Tom Johnsen(3 artikler udgivet)

Tom er en softwareingeniør fra Florida (råb til Florida Man) med en passion for at skrive, college fodbold (go Gators!), CrossFit og Oxford kommaer.

Mere fra Tom Johnsen

Abonner på vores nyhedsbrev

Tilmeld dig vores nyhedsbrev for at få tekniske tips, anmeldelser, gratis e -bøger og eksklusive tilbud!

Klik her for at abonnere