Home-theater-designers
Az egyidejű lokalizáció és leképezés (SLAM) valószínűleg nem mindennapi kifejezés. Azonban a legújabb klasszikus technológiai csodák közül több ezt az eljárást használja életciklusuk minden másodpercében.
Mi az a SLAM? Miért van szükségünk rá? És mik ezek a klassz technológiák, amelyekről beszél?
hogyan lehet visszaállítani az iphone -t az iTunes nélkül a gyári beállításokra
A rövidítéstől az absztrakt ötletig
Itt egy gyors játék az Ön számára. Ezek közül melyik nem tartozik?
- Önvezető autók
- Kiterjesztett valóság alkalmazások
- Autonóm légi és víz alatti járművek
- Vegyes valóságú viseletek
- A Roomba
Azt gondolhatja, hogy a válasz könnyen a lista utolsó eleme. Bizonyos értelemben igazad van. Más módon ez trükkös játék volt, mivel ezek a tételek összefüggnek.
Képhitel: Nathan Kroll/ Flickr
A (nagyon menő) játék valódi kérdése a következő: Mi teszi mindezeket a technológiákat megvalósíthatóvá? A válasz: egyidejű lokalizáció és leképezés, vagy SLAM! ahogy a menő gyerekek mondják.
Általánosságban elmondható, hogy a SLAM -algoritmusok célja elég könnyen iterálható. A robot egyidejű lokalizációt és térképezést használ, hogy megbecsülje helyzetét és tájolását (vagy pózát) a térben, miközben elkészíti a környezete térképét. Ez lehetővé teszi a robot számára, hogy azonosítsa, hol van, és hogyan mozoghat egy ismeretlen térben.
Ezért igen, vagyis ez a fantázia-bölcsesség algoritmus csak a pozíció becslése. Egy másik népszerű technológia, a Global Positioning System (vagy GPS) az 1990 -es évek első Öböl -háborúja óta becsüli a pozíciót.
A SLAM és a GPS megkülönböztetése
Akkor miért van szükség új algoritmusra? A GPS -nek két velejárója van. Először is, bár a GPS pontos a globális léptékhez képest, mind a pontosság, mind a pontosság csökkenti a skálát egy szobához, asztalhoz vagy egy kis kereszteződéshez képest. A GPS pontossága méteres, de mi a centiméter? Milliméter?
Másodszor, a GPS nem működik jól a víz alatt. Nem jól értem, hogy egyáltalán nem. Hasonlóképpen, a teljesítmény foltos a vastag betonfalakkal rendelkező épületeken belül. Vagy pincékben. Érted az ötletet. A GPS egy műholdas rendszer, amely fizikai korlátoktól szenved.
Tehát a SLAM algoritmusok célja, hogy jobb helyzetérzetet biztosítsanak a legfejlettebb szerkentyűink és gépeink számára.
Ezekben az eszközökben már számos érzékelő és periféria található. A SLAM algoritmusok a lehető legtöbb adatot használják fel néhány matematika és statisztika segítségével.
Csirke vagy tojás? Pozíció vagy térkép?
Matematikára és statisztikákra van szükség egy komplex kérdés megválaszolásához: a helyzetet használják a környék térképének elkészítéséhez, vagy a környezet térképét használják a pozíció kiszámításához?
Gondolat kísérleti idő! Dimenziók között egy ismeretlen helyre vetülsz. Mit tesz először? Pánik? Rendben, nyugodj meg, lélegezz. Vegyél másikat. Most mi a második dolog, amit csinálsz? Nézzen körül, és próbáljon valami ismerőset találni. Egy szék van balra. Egy növény jobbra van. Dohányzóasztal áll előtted.
Ezután egyszer a bénító félelem a 'Hol a pokolban vagyok?' elhasználódik, mozogni kezd. Várj, hogyan működik a mozgás ebben a dimenzióban? Tegyen egy lépést előre. A szék és az üzem egyre kisebb, az asztal pedig egyre nagyobb. Most megerősítheti, hogy valójában halad.
Az xbox one nem csatlakozik a vezérlőhöz
A megfigyelések kulcsfontosságúak a SLAM becslés pontosságának javításához. Az alábbi videóban, ahogy a robot jelölőről jelzőre mozog, jobb térképet készít a környezetről.
Visszatérve a másik dimenzióba, minél többet járkál, annál jobban tájékozódik. Ha minden irányba lép, megerősíti, hogy ebben a dimenzióban a mozgás hasonló az otthoni dimenzióhoz. Ahogy jobbra megy, a növény nagyobbra nyílik. Hasznos, ha olyan dolgokat lát, amelyeket mérföldkőként azonosít ebben az új világban, amelyek lehetővé teszik, hogy magabiztosabban vándoroljon.
Ez lényegében a SLAM folyamata.
Bemenetek a folyamathoz
E becslések elvégzéséhez az algoritmusok több olyan adatot használnak, amelyek belső vagy külső kategóriába sorolhatók. Az Ön interdimenziós szállítási példája esetében (valljuk be, szórakoztató volt az utazás), a belső mérések a lépések mérete és az irány.
A külső mérések képek formájában történnek. A látnivalók, például a növény, a szék és az asztal azonosítása könnyű feladat a szemek és az agy számára. Az ismert legerősebb processzor-az emberi agy-képes felvenni ezeket a képeket, és nem csak azonosítani a tárgyakat, hanem megbecsülni a tárgytól való távolságot is.
Sajnos (vagy szerencsére, attól függően, hogy fél a SkyNet -től), a robotoknak nincs emberi agyuk processzorként. A gépek agyként az emberi írott kódú szilícium chipekre támaszkodnak.
Más gépek külső méréseket végeznek. Ebben segítenek a perifériák, például a giroszkópok vagy más inerciamérő egységek (IMU). Az olyan robotok, mint az önvezető autók, belső mérésként használják a kerék helyzetének odometriáját is.
Képhitel: Jennifer Morrow/ Flickr
Külsőleg egy önvezető autó és más robotok használják a LIDAR-t. Hasonlóan ahhoz, ahogyan a radar rádióhullámokat használ, a LIDAR méri a visszavert fényimpulzusokat a távolság azonosítására. Az alkalmazott fény tipikusan ultraibolya vagy közel infravörös, hasonlóan az infravörös mélységérzékelőhöz.
A LIDAR másodpercenként tízezer impulzust küld, hogy rendkívül nagy felbontású háromdimenziós pontfelhő-térképet hozzon létre. Tehát, ha legközelebb Tesla gurul autopiloton, akkor lézerrel lő rád. Sokszor.
Ezenkívül a SLAM algoritmusok statikus képeket és számítógépes látástechnikákat használnak külső mérésként. Ez egyetlen kamerával történik, de sztereó párral még pontosabbá tehető.
A fekete doboz belsejében
A belső mérések frissítik a becsült pozíciót, amellyel frissíthető a külső térkép. A külső mérések frissítik a becsült térképet, amellyel frissíthető a pozíció. Úgy gondolhat rá, mint egy következtetésre, és az ötlet az, hogy megtalálja az optimális megoldást.
Ennek általános módja a valószínűség. Olyan technikák, mint a részecskeszűrő hozzávetőleges helyzete és a Bayes -féle statisztikai következtetés alapján történő leképezés.
A részecskeszűrő meghatározott számú részecskét használ Gauss -eloszlás útján. Minden részecske 'megjósolja' a robot jelenlegi helyzetét. Minden részecskéhez valószínűség van hozzárendelve. Minden részecske azonos valószínűséggel kezdődik.
Amikor egymást igazoló méréseket végeznek (például előrelépés = az asztal megnagyobbodása), akkor azoknak a részecskéknek, amelyek helyzetükben „helyesek”, fokozatosan nagyobb a valószínűsége. A távol lévő részecskékhez kisebb valószínűség tartozik.
Minél több tereptárgyat tud azonosítani egy robot, annál jobb. A tereptárgyak visszajelzést adnak az algoritmusnak, és pontosabb számításokat tesznek lehetővé.
Jelenlegi alkalmazások SLAM algoritmusok használatával
Bontsuk szét ezt a klassz technikát egy klassz technikával.
Autonóm víz alatti járművek (AUV)
A pilóta nélküli tengeralattjárók önállóan működhetnek SLAM technikák alkalmazásával. A belső IMU három irányban biztosít gyorsítási és mozgási adatokat. Ezenkívül az AUV-k alulra néző szonárt használnak a mélységbecsléshez. Az oldalsó szkenner pár száz méteres hatótávolsággal készít képeket a tengerfenékről.
Képhitel: Florida Sea Grant/ Flickr
Vegyes valóságos viseletek
A Microsoft és a Magic Leap olyan hordható szemüveget állított elő, amely bevezeti a Mixed Reality alkalmazásokat. A helyzet becslése és a térkép készítése elengedhetetlen ezekhez a hordható eszközökhöz. Az eszközök a térkép segítségével virtuális objektumokat helyeznek valós tárgyakra, és kölcsönhatásba lépnek egymással.
hogyan lehet sokszorosítani egy lejátszási listát a spotify -on
Mivel ezek a hordható eszközök kicsik, nem használhatnak nagy perifériákat, például LIDAR -t vagy szonárt. Ehelyett kisebb infravörös mélységérzékelőket és kifelé néző kamerákat használnak a környezet feltérképezésére.
Önvezető autók
Az autonóm autóknak van egy kis előnye a hordhatókkal szemben. A sokkal nagyobb fizikai méretnek köszönhetően az autók nagyobb számítógépeket és több perifériát tudnak elhelyezni belső és külső mérésekhez. Az önvezető autók sok szempontból képviselik a technológia jövőjét, mind szoftveres, mind hardveres szempontból.
A SLAM technológia javul
Mivel a SLAM technológiát számos különböző módon használják, csak idő kérdése, hogy tökéletes legyen. Ha az önvezető autókat (és más járműveket) naponta látja, tudni fogja, hogy az egyidejű lokalizáció és térképezés mindenki számára készen áll.
Az önvezető technológia minden nap fejlődik. Szeretne többet megtudni? Nézze meg a MakeUseOf részletes leírását az önvezető autók működéséről. Az is érdekelheti, hogy a hackerek hogyan célozzák meg a kapcsolódó autókat.
Kép jóváírása: chesky_w/ Depositphotos
Részvény Részvény Csipog Email Hogyan érheti el a Google beépített buborékszintjét AndroidonHa valaha is szüksége volt arra, hogy megbizonyosodjon arról, hogy valami vízszintesen van -e, akkor pillanatok alatt buborékszintet kaphat a telefonján.
Olvassa tovább Kapcsolódó témák- Technológia magyarázata
- Autótechnika
- Mesterséges intelligencia
- Önvezető autó
- SLAM
Tom egy szoftvermérnök Floridából (kiáltás Floridai embernek), aki rajong az írásért, a főiskolai futballért (go Gators!), A CrossFitért és az oxfordi vesszőkért.
Továbbiak Tom JohnsentőlIratkozzon fel hírlevelünkre
Csatlakozz hírlevelünkhöz, ahol technikai tippeket, értékeléseket, ingyenes e -könyveket és exkluzív ajánlatokat találsz!
Feliratkozáshoz kattintson ide