Какво е SLAM? Как самоуправляващите се автомобили знаят къде се намират

реклама

Едновременното локализиране и картографиране (SLAM) вероятно не е фраза, която използвате всеки ден. Въпреки това, няколко от най-новите страхотни технологични чудеса използват този процес на всеки милисекунда от живота си.

Какво е SLAM? Защо имаме нужда от това? И за кои са тези готини технологии, за които говорите?

От съкращение до абстрактна идея

Ето бърза игра за вас. Кое от тях не принадлежи?

• Самоуправляващи се автомобили
• Приложения за усъвършенствана реалност
• Автономни въздушни и подводни превозни средства
• Носими със смесена реалност
• Roomba

Може да си мислите, че отговорът е лесно последният елемент в списъка. По някакъв начин си прав. По друг начин това беше трик игра, тъй като всички тези елементи са свързани.

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. Робот ще използва едновременна локализация и картографиране, за да оцени позицията и ориентацията (или позирането) в пространството, докато създава карта на своята среда. Това позволява на робота да идентифицира къде се намира и как да се движи през някакво непознато пространство.

Следователно, да, това означава, че всичко, което този фантастичен алгоритъм прави, е оценка на позицията. Друга популярна технология, Глобална система за позициониране (или GPS) Как работи проследяването на GPS и какво можете да проследявате с него?GPS. Ние го познаваме като технологията, която ни води от А до Б. Но GPS е повече от това. Има свят на възможности и не искаме да пропускате. Прочетете още оценява позицията си от първата война в Персийския залив през 90-те години.

Разграничаване между SLAM и GPS

И така, защо необходимостта от нов алгоритъм? GPS има два присъщи проблема. Първо, докато GPS е точен спрямо глобален мащаб, прецизността и точността намаляват мащаба спрямо стая, маса или малка пресечка. GPS има точност до метър, но какъв сантиметър? Милиметър?

Второ, GPS не работи добре под водата. Под добре нямам предвид изобщо. По същия начин представянето е петнисто във вътрешността на сгради с дебели бетонни стени. Или в мазета. Имате идея. GPS е сателитна система, която страда от физически ограничения.

Така SLAM алгоритмите имат за цел да дадат подобрено усещане за позицията на нашите най-модерни джаджи и машини.

Тези устройства вече имат литания от сензори и периферни устройства. SLAM алгоритмите използват данните от възможно най-много от тях, като използват някои математика и статистика.

Пиле или яйце? Позиция или карта?

Математиката и статистиката са необходими, за да се отговори на сложен труд: дали позицията се използва за създаване на картата на околността или картата на околността се използва за изчисляване на позицията?

Мислено време за експерименти! Вие сте междуизмерно изкривени до непознато място. Кое е първото нещо, което правиш? Паника? ОК, добре се успокойте, поемете дъх. Вземете друго. Сега, кое е второто нещо, което правите? Огледайте се и се опитайте да намерите нещо познато. Стол е отляво от вас. Растение е отдясно на вас. Маса за кафе е пред вас.

След това, веднъж парализиращия страх от „Къде съм, по дяволите?“ изчезва, започвате да се движите. Чакай, как действа движението в това измерение? Направете крачка напред. Столът и растението стават все по-малки, а масата - по-голяма. Сега можете да потвърдите, че всъщност се движите напред.

Наблюденията са от ключово значение за подобряване на точността на оценката на SLAM. 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 жилище. 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 скитате по-уверено.

Това е по същество процесът на SLAM.

Вход в 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 с размер на стъпки и посока.

Външните измервания са направени под формата на изображения. Определянето на забележителности като растението, стола и масата е лесна задача за очите и мозъка. Най-мощният известен процесор - човешкият мозък - е в състояние да прави тези изображения и не само да идентифицира обекти, но и да преценява 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 силиконови чипове с човешки писмен код като мозък.

Други части на машината правят външни измервания. Периферни устройства като жироскопи или друга инерционна единица за измерване (IMU) са полезни за това. Роботи като самоуправляващи се автомобили също използват одометрията на положението на колелата като вътрешно измерване.

Външно автомобил със самостоятелно управление 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 инфрачервена, подобно на инфрачервен сензор за дълбочина.

LIDAR изпраща десетки хиляди импулси в секунда, за да създаде триизмерна карта на облака с изключително висока разделителна способност. Така че, да, следващия път, когато Tesla се завърти на автопилот, ще ви заснеме с лазер. Много пъти.

Освен това, SLAM алгоритмите използват статични изображения и техники за компютърно виждане като външно измерване. Това става с една камера, но може да се направи още по-точно 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 извода, а идеята е да намерите оптималното решение.

Често срещаният начин да направите това е чрез вероятността. Техники като приблизително положение на филтъра за частици и картографиране, използвайки Байесов статистически извод.

Филтърът за частици използва набор от частици, разпределени чрез гауссово разпределение. Всяка частица „предсказва“ текущото положение на робота. На всяка частица се дава вероятност. Всички частици започват с еднаква вероятност.

Когато се правят измервания, които се потвърждават взаимно (като например стъпка напред = маса се увеличава), тогава частиците, които са "правилни" в своето положение, постепенно се получават по-добри вероятности. Частиците, които са далеч, получават по-малки вероятности.

Колкото повече ориентири един робот може да идентифицира, толкова по-добре. Ориентирите предоставят обратна връзка към алгоритъма и позволяват по-прецизни изчисления.

Текущи приложения, използващи SLAM алгоритми

Нека да разбием това, готино късче технология от готино парче технология.

Автономни подводни превозни средства (AUVs)

Безпилотните подводници могат да работят автономно, използвайки SLAM техники. Вътрешен IMU предоставя данни за ускорение и движение в три посоки. Освен това AUV използват сонари с дъно за оценка на дълбочината. Страничният сонар за сканиране създава изображения на морското дъно с обхват от няколкостотин метра.

Носи със смесена реалност

Microsoft и Magic Leap са произвели носещи очила, които се представят Приложения за смесена реалност Смесена реалност на Windows: какво е и как да го опитате сегаWindows Mixed Reality е нова функция, която ви позволява да използвате Windows 10 във виртуална и допълнена реалност. Ето защо е вълнуващо и как да разберете дали вашият компютър го поддържа. Прочетете още . Оценката на позицията и създаването на карта е от решаващо значение за тези носими. Устройствата използват картата, за да поставят виртуални обекти върху реални обекти и да си взаимодействат помежду си.

Тъй като тези носими са малки, те не могат да използват големи периферни устройства като LIDAR или сонар. Вместо това за картографиране на околната среда се използват по-малки инфрачервени сензори за дълбочина и камери, насочени навън.

Самоуправляващи се автомобили

Автономните автомобили имат малко предимство пред носимите. 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 софтуера, така и по отношение на хардуера.

Технологията SLAM се подобрява

С използването на SLAM технологията по много различни начини е само въпрос на време преди да бъде усъвършенстван. След като ежедневно се виждат самостоятелно управлявани автомобили (и други превозни средства), ще знаете, че едновременната локализация и картографиране са готови за използване от всички.

Технологията за самостоятелно шофиране се подобрява всеки ден. Искате ли да знаете повече? Вижте подробната разбивка на MakeUseOf на как работят самоуправляващите се автомобили Как работят самоуправляващите се автомобили: гайките и болтовете зад автономната програма за автомобили на GoogleДа можеш да пътуваш напред-назад за работа, докато спиш, ядеш или наваксваш любимия си блоговете са концепция, която е еднакво привлекателна и на пръв поглед далеч и твърде футуристична да се случи. Прочетете още . Може да се интересувате също как хакерите са насочени към свързани автомобили.

Кредитна снимка: chesky_w /Depositphotos