SLAM Nedir? Kendi Kendini Süren Otomobiller Nerede Olduğunu Nasıl Bilir?

Eşzamanlı yerelleştirme ve haritalama (SLAM) muhtemelen her gün kullandığınız bir cümle değildir. Bununla birlikte, en yeni teknolojik harikaların birçoğu bu işlemi ömrünün her milisaniyesinde bir kullanır..

SLAM Nedir? Neden buna ihtiyacımız var? Ve bahsettiğiniz bu harika teknolojiler neler?

Kısaltmadan Soyut Düşünceye

İşte size hızlı bir oyun. Bunlardan hangisi ait değil?

• Kendi kendine sürüş arabaları
• Artırılmış gerçeklik uygulamaları
• Özerk hava ve su altı araçları
• Karışık gerçeklik giyilebilirliği
• Roomba

Cevabın listedeki son öğe olduğunu kolayca düşünebilirsiniz. Bir anlamda haklısın. Başka bir deyişle, bu öğelerin tümü ilgili olduğu için bu bir oyun oldu.

Resim Kredisi: Nathan Kroll / Flickr

(Çok havalı) oyunun asıl sorunu şudur: Tüm bu teknolojileri mümkün kılan şey nedir? Cevap: eşzamanlı lokalizasyon ve haritalama veya SLAM! havalı çocukların söylediği gibi.

Genel anlamda, SLAM algoritmalarının amacı yinelemek için yeterince kolaydır. Bir robot, ortamının bir haritasını oluştururken uzaydaki konumunu ve yönünü (veya pozunu) tahmin etmek için eşzamanlı yerelleştirme ve haritalamayı kullanır. Bu, robotun nerede olduğunu ve bilinmeyen bir alanda nasıl hareket edeceğini tanımlamasını sağlar.

Bu nedenle, evet, demek istediğim, bu fantezi-smancy algoritmasının yaptığı pozisyonun tahmini olduğunu söylemek. Başka bir popüler teknoloji, Global Konumlandırma Sistemi (veya GPS) GPS İzleme Nasıl Çalışır ve Bununla Nasıl İzlersiniz? GPS İzleme Nasıl Çalışır ve Bununla Nasıl İzlersiniz? KÜRESEL KONUMLAMA SİSTEMİ. Bizi A'dan B'ye yönlendiren teknoloji olarak biliyoruz ama GPS bundan daha fazlası. Olasılık dünyası var ve kaçırmanızı istemiyoruz. 1990'lı yılların ilk Körfez Savaşı'ndan bu yana pozisyonu tahmin ediyor.

SLAM ve GPS Arasında Ayırt Etme

Öyleyse neden yeni bir algoritmaya ihtiyaç duyuluyor? GPS'in iki doğal sorunu var. Birincisi, GPS küresel bir ölçeğe göre doğruyken, hem hassasiyet hem de doğruluk bir odaya, bir masaya veya küçük bir kesişime göre ölçeği azaltır. GPS'in bir metreye kadar hassasiyeti var ancak santimetre ne kadar? Milimetre?

İkincisi, GPS su altında iyi çalışmıyor. İyi değil, demek istediğim hiç değil. Benzer şekilde, kalın beton duvarlı binaların içindeki performans da belirsizdir. Veya bodrum katında. Kaptın bu işi. GPS, fiziksel kısıtlamaları olan uydu tabanlı bir sistemdir..

Dolayısıyla SLAM algoritmaları, en gelişmiş cihazlarımız ve makinelerimiz için gelişmiş bir konum hissi vermeyi amaçlamaktadır..

Bu cihazların sensörleri ve çevre birimleri zaten bir likit var. SLAM algoritmaları, bazı matematik ve istatistikleri kullanarak, bunlardan mümkün olduğunca çok veri kullanır..

Tavuk mu Yumurta mı? Konum veya Harita?

Karmaşık bir çarpıklığa cevap vermek için matematik ve istatistik gerekir: çevrenin haritasını oluşturmak için kullanılan konumdur veya konum hesaplamak için kullanılan çevrenin haritasıdır?

Düşünce zamanı geldi! Boyutlararası olarak bilmediğiniz bir yere çarptınız. İlk yaptığınız şey nedir? Panik? Tamam, sakin ol, nefes al. Başka bir tane al. Şimdi, yaptığınız ikinci şey nedir? Etrafınıza bakın ve tanıdık bir şey bulmaya çalışın. Bir sandalye solunda. Bir bitki sağında. Önünüzde bir sehpa var.

Sonra, bir kez felç edici korkusu “Ben hangi cehennemdeyim?” aşınır, hareket etmeye başlarsınız. Bekle, hareket bu boyutta nasıl çalışır? Bir adım öne geçin. Sandalye ve bitki küçülüyor ve masa büyüyor. Şimdi, aslında ilerlemekte olduğunuzu onaylayabilirsiniz..

Gözlemler, SLAM tahmininin doğruluğunu arttırmada kilit öneme sahiptir. Aşağıdaki videoda, robot işaretleyiciden işaretleyiciye geçtiğinde, ortamın daha iyi bir haritasını çıkarır.

Diğer boyuta geri döndükçe, etrafta ne kadar çok dolaşırsan o kadar çok kendine yönelirsin. Her yöne adım atmak, bu boyuttaki hareketin ev boyutunuza benzer olduğunu onaylar. Sağa giderken, bitki daha büyük görünüyor. Yararlı bir şekilde, bu yeni dünyada daha güvenle dolaşmanıza olanak sağlayan yer işaretleri olarak tanımladığınız diğer şeyleri görüyorsunuz.

Bu aslında SLAM'ın sürecidir..

Sürece Girilen Girdiler

Bu tahminleri yapmak için, algoritmalar dahili veya harici olarak sınıflandırılabilecek birkaç veri parçası kullanır. Boyutlar arası taşıma örneğiniz için (kabul ediyorum, eğlenceli bir yolculuk geçirdiniz), iç ölçüler basamakların ve yönlerin boyutlarıdır..

Yapılan dış ölçümler görüntü şeklindedir. Bitki, sandalye ve masa gibi yerlerin belirlenmesi gözler ve beyin için kolay bir iştir. Bilinen en güçlü işlemci olan insan beyni bu görüntüleri alabilmekte ve yalnızca nesneleri tanımlamakla kalmamakta, aynı zamanda bu nesneye olan mesafeyi de tahmin edebilmektedir..

Ne yazık ki (ya da neyse ki, SkyNet'in korkunuza bağlı olarak), robotların bir işlemci olarak insan beyni yoktur. Makineler beyin olarak insan yazılı kodlu silikon yongalarına güveniyor.

Diğer makine parçaları dış ölçümler yapar. Jiroskoplar veya diğer ataletsel ölçüm birimleri (IMU) gibi çevre birimleri bu konuda yardımcıdır. Kendi kendini süren otomobiller gibi robotlar, tekerlek konumu kilometre sayacını da dahili bir ölçüm olarak kullanırlar..

Resim Kredisi: Jennifer Morrow / Flickr

Dışarıdan, kendi kendini süren bir araba ve diğer robotlar LIDAR kullanıyor. Radarın radyo dalgalarını nasıl kullandığı gibi, LIDAR da mesafeyi tanımlamak için yansıyan ışık atımlarını ölçer. Kullanılan ışık, kızılötesi derinlik sensörüne benzer şekilde tipik olarak ultraviyole veya yakın kızılötesidir..

LIDAR, son derece yüksek çözünürlüklü üç boyutlu nokta bulut haritası oluşturmak için saniyede onbinlerce darbe gönderir. Bu yüzden, evet, Tesla'nın bir dahaki sefere otomatik pilotta yuvarlanması, sizi bir lazerle vuracak. Çoğu zaman.

Ek olarak, SLAM algoritmaları harici görüntüler olarak statik görüntüleri ve bilgisayarla görü tekniklerini kullanır. Bu, tek bir kamera ile yapılır, ancak stereo çift ile daha doğru bir şekilde yapılabilir.

Kara Kutunun İçinde

Dahili ölçümler, harici haritayı güncellemek için kullanılabilecek tahmini pozisyonu güncelleyecektir. Harici ölçümler, konumu güncellemek için kullanılabilecek tahmini haritayı güncelleyecektir. Bunu bir çıkarım sorunu olarak düşünebilirsiniz ve fikir, en uygun çözümü bulmaktır..

Bunu yapmanın yaygın bir yolu olasılıktan geçer. Parçacık filtresi gibi teknikler Bayes istatistiksel çıkarımı kullanarak yaklaşık konum ve haritalama.

Bir partikül filtresi, bir Gauss dağılımı ile yayılan belirli sayıda partikül kullanır. Her parçacık “öngörür” robotun mevcut konumu. Her partiküle bir olasılık verilmiştir. Bütün parçacıklar aynı olasılıkla başlar.

Birbirini onaylayan ölçümler yapıldığında (ileri adım = masa büyür gibi), sonra “doğru” kendi konumlarında adım adım daha iyi olasılıklar vardır. Uzaklaşan parçacıklara daha düşük olasılıklar verilir.

Bir robot ne kadar çok yer işaretini saptarsa ​​o kadar iyidir. Yer işaretleri algoritmaya geri bildirim sağlar ve daha kesin hesaplamalar yapılmasını sağlar.

SLAM Algoritmalarını Kullanan Güncel Uygulamalar

Bunu parçalayalım, serin teknoloji parçasını serin teknoloji parçasını kullanarak.

Özerk Sualtı Araçları (AUV)

İnsansız denizaltılar SLAM tekniklerini kullanarak özerk olarak çalışabilirler. Dahili bir IMU, ivme ve hareket verilerini üç yönde sağlar. Ek olarak, AUV'ler derinlik tahminleri için aşağıya bakan sonarı kullanır. Yan taramalı sonar, birkaç yüz metrelik aralıkla deniz tabanının görüntülerini oluşturur..

Resim Kredisi: Florida Sea Grant / Flickr

Karışık Gerçeklik Giyilebilir Ürünleri

Microsoft ve Magic Leap, Karma Gerçeklik uygulamalarını tanıtan giyilebilir gözlükler üretti Windows Karma Gerçeklik: Şimdi Ne Çalışır ve Nasıl Denenir? Windows Karma Gerçeklik: Şimdi Ne Yapar ve Şimdi Deneyin Windows Karma Gerçeklik Sanal ve artırılmış gerçeklik Windows 10. İşte bu yüzden heyecan verici ve PC'nizin destekleyip desteklemediğini öğrenmek. . Pozisyonu tahmin etmek ve bir harita oluşturmak bu giyilebilir ürünler için çok önemlidir. Aygıtlar, sanal nesneleri gerçek nesnelerin üzerine yerleştirmek ve birbirleriyle etkileşime girmelerini sağlamak için haritayı kullanır..

Bu giyilebilir ürünler küçük olduğundan, LIDAR veya sonar gibi büyük çevre birimlerini kullanamazlar. Bunun yerine, daha küçük kızılötesi derinlik sensörleri ve dışa bakan kameralar bir ortamı haritalamak için kullanılır.

Kendi Kendini Süren Otomobiller

Özerk otomobillerin giyilebilir ürünler üzerinde biraz avantaj sağladı. Çok daha büyük fiziksel boyutta, arabalar daha büyük bilgisayarları tutabilir ve iç ve dış ölçümler yapmak için daha fazla çevre birimine sahip olabilir. Kendi kendini süren otomobiller birçok yönden hem yazılım hem de donanım açısından teknolojinin geleceğini temsil ediyor.

SLAM Teknolojisi İyileşiyor

SLAM teknolojisi çeşitli şekillerde kullanıldığında, mükemmel hale getirilmeden önce sadece bir zaman meselesidir. Kendi kendine sürüş arabaları (ve diğer araçları) günlük olarak gördükten sonra, eşzamanlı yerelleştirme ve haritalamanın herkesin kullanması için hazır olduğunu bileceksiniz.

Kendi kendine sürüş teknolojisi her geçen gün gelişiyor. Daha fazla bilmek ister misiniz? MakeUseOf'un kendi kendine sürüş arabalarının nasıl çalıştığını ayrıntılı olarak inceleyin Kendi Kendine Sürüş Otomobillerinin Nasıl Çalışması: Google'ın Özerk Araba Programının Arkasındaki Somunlar ve Cıvatalar Kendi Kendine Sürüş Araçlarının Nasıl Çalışması: Google'ın Özerk Araba Programının Arkasındaki Somunlar ve Cıvatalar Geri dönüş ve En sevdiğiniz bloglarda uyurken, yemek yerken veya sohbet ederken çalışmaya devam etmek, eşit derecede çekici, görünüşte uzak ve gerçekte gerçekleşemeyecek kadar fütüristik bir kavramdır.. .

Resim Kredisi: chesky_w / Depositphotos