Home-theater-designers
Penyetempatan dan pemetaan serentak (SLAM) kemungkinan bukan frasa yang anda gunakan setiap hari. Walau bagaimanapun, beberapa keajaiban teknologi sejuk terkini menggunakan proses ini setiap milisaat jangka hayatnya.
Apa itu SLAM? Mengapa kita memerlukannya? Dan apa teknologi hebat yang anda bicarakan?
bagaimana menukar kata laluan anda pada xbox satu
Dari Akronim hingga Idea Abstrak
Inilah permainan pantas untuk anda. Yang mana satu ini bukan milik?
- Kereta memandu sendiri
- Aplikasi realiti tambahan
- Kenderaan udara dan bawah air autonomi
- Realiti bercampur boleh pakai
- The Roomba
Anda mungkin menganggap jawapannya adalah item terakhir dalam senarai dengan mudah. Dengan cara tertentu, anda betul. Dengan cara lain, ini adalah permainan helah kerana semua item itu berkaitan.
Kredit Gambar: Nathan Kroll / Flickr
Persoalan sebenar permainan (sangat keren) adalah: Apa yang menjadikan semua teknologi ini dapat dilaksanakan? Jawapannya: penyetempatan dan pemetaan serentak, atau SLAM! seperti yang dikatakan oleh anak-anak yang sejuk.
Secara umum, tujuan algoritma SLAM cukup mudah untuk diulang. Robot akan menggunakan lokalisasi dan pemetaan serentak untuk menganggarkan kedudukan dan orientasinya (atau berpose) di ruang angkasa sambil membuat peta persekitarannya. Ini membolehkan robot mengenal pasti tempatnya dan bagaimana bergerak melalui beberapa tempat yang tidak diketahui.
Oleh itu, ya, maksudnya semua algoritma mewah ini adalah kedudukan anggaran. Teknologi popular lain, Sistem Penentududukan Global (atau GPS) telah menganggarkan kedudukan sejak Perang Teluk pertama tahun 1990-an.
Membezakan Antara SLAM dan GPS
Jadi mengapa perlunya algoritma baru? GPS mempunyai dua masalah yang wujud. Pertama, sementara GPS tepat berbanding skala global, ketepatan dan ketepatan mengurangkan skala relatif dengan bilik, atau meja, atau persimpangan kecil. GPS mempunyai ketepatan hingga satu meter, tetapi berapa sentimeter? Milimeter?
Kedua, GPS tidak berfungsi dengan baik di bawah air. Saya tidak bermaksud sama sekali. Begitu juga prestasi di dalam bangunan dengan dinding konkrit tebal. Atau di tingkat bawah tanah. Anda mendapat idea. GPS adalah sistem berasaskan satelit, yang mengalami batasan fizikal.
Oleh itu, algoritma SLAM bertujuan untuk memberi gambaran kedudukan yang lebih baik untuk alat dan mesin kami yang paling maju.
Peranti ini sudah mempunyai banyak sensor dan periferal. Algoritma SLAM menggunakan data dari seberapa banyak yang mungkin dengan menggunakan beberapa matematik dan statistik.
Ayam atau Telur? Kedudukan atau Peta?
Matematik dan statistik diperlukan untuk menjawab quandary kompleks: adakah kedudukan digunakan untuk membuat peta persekitaran atau adakah peta persekitaran digunakan untuk mengira kedudukan?
Masa percubaan pemikiran! Anda saling dimensi ke tempat yang tidak dikenali. Apakah perkara pertama yang anda lakukan? Panik? OK, tenang, tarik nafas. Ambil yang lain. Sekarang, apakah perkara kedua yang anda lakukan? Lihat sekeliling dan cuba cari sesuatu yang tidak asing lagi. Kerusi ada di sebelah kiri anda. Tumbuhan di sebelah kanan anda. Meja kopi ada di hadapan anda.
Seterusnya, sekali ketakutan yang melumpuhkan 'Di mana saya?' habis, anda mula bergerak. Tunggu, bagaimana pergerakan berfungsi dalam dimensi ini? Mengorak langkah ke hadapan. Kerusi dan kilang semakin kecil dan meja semakin besar. Sekarang, anda boleh mengesahkan bahawa anda sebenarnya bergerak maju.
cakera windows 10 berjalan pada 100
Pemerhatian adalah kunci untuk meningkatkan ketepatan anggaran SLAM. Dalam video di bawah ini, ketika robot bergerak dari penanda ke penanda, ia membina peta persekitaran yang lebih baik.
Kembali ke dimensi lain, semakin banyak anda berjalan di sekitar, semakin banyak anda mengarahkan diri anda. Melangkah ke semua arah mengesahkan bahawa pergerakan dalam dimensi ini serupa dengan dimensi rumah anda. Semasa anda menuju ke kanan, tanaman tumbuh lebih besar. Dengan senang hati, anda melihat perkara lain yang anda kenali sebagai mercu tanda di dunia baru ini yang membolehkan anda mengembara dengan lebih yakin.
Ini pada dasarnya adalah proses SLAM.
Input ke Proses
Untuk membuat anggaran ini, algoritma menggunakan beberapa keping data yang dapat dikategorikan sebagai dalaman atau luaran. Untuk contoh pengangkutan antara dimensi anda (akui, anda mempunyai perjalanan yang menyeronokkan), ukuran dalaman adalah ukuran langkah dan arah.
Pengukuran luaran yang dibuat adalah dalam bentuk gambar. Mengenal pasti mercu tanda seperti kilang, kerusi, dan meja adalah tugas yang mudah bagi mata dan otak. Pemproses yang paling kuat yang dikenali --- otak manusia --- dapat mengambil gambar-gambar ini dan tidak hanya mengenal pasti objek, tetapi juga menganggar jarak ke objek itu.
Malangnya (atau untungnya, bergantung kepada ketakutan anda terhadap SkyNet), robot tidak mempunyai otak manusia sebagai pemproses. Mesin bergantung pada cip silikon dengan kod bertulis manusia sebagai otak.
Mesin jentera lain membuat pengukuran luaran. Periferal seperti giroskop atau unit pengukuran inersia lain (IMU) sangat membantu dalam melakukan ini. Robot seperti kereta memandu sendiri juga menggunakan odometri kedudukan roda sebagai ukuran dalaman.
Kredit Gambar: Jennifer Morrow / Flickr
Secara luaran, kereta memandu sendiri dan robot lain menggunakan LIDAR. Sama seperti bagaimana radar menggunakan gelombang radio, ukuran LIDAR memantulkan denyutan cahaya untuk mengenal pasti jarak. Cahaya yang digunakan biasanya ultraviolet atau inframerah dekat, mirip dengan sensor kedalaman inframerah.
LIDAR menghantar puluhan ribu denyutan sesaat untuk membuat peta awan titik tiga dimensi definisi yang sangat tinggi. Jadi, ya, pada masa Tesla berpusing menggunakan autopilot, ia akan menembak anda dengan laser. Banyak masa.
Selain itu, algoritma SLAM menggunakan gambar statik dan teknik penglihatan komputer sebagai ukuran luaran. Ini dilakukan dengan kamera tunggal, tetapi boleh dibuat lebih tepat dengan pasangan stereo.
Di dalam Kotak Hitam
Pengukuran dalaman akan mengemas kini kedudukan yang diperkirakan, yang dapat digunakan untuk mengemas kini peta luaran. Pengukuran luaran akan mengemas kini peta yang diperkirakan, yang dapat digunakan untuk mengemas kini kedudukan. Anda boleh menganggapnya sebagai masalah kesimpulan, dan idenya adalah untuk mencari jalan keluar yang optimum.
Cara biasa untuk melakukan ini adalah melalui kebarangkalian. Teknik seperti penapis partikel menghampiri kedudukan dan pemetaan menggunakan inferens statistik Bayesian.
Penapis zarah menggunakan sebilangan zarah yang disebarkan oleh sebaran Gauss. Setiap zarah 'meramalkan' kedudukan robot semasa. Kebarangkalian diberikan kepada setiap zarah. Semua zarah bermula dengan kebarangkalian yang sama.
Apabila pengukuran dibuat yang saling mengesahkan (seperti langkah maju = meja semakin besar), maka zarah-zarah yang 'betul' pada kedudukannya secara bertahap diberi kebarangkalian yang lebih baik. Zarah-zarah yang jauh diberi kebarangkalian yang lebih rendah.
Semakin banyak mercu tanda yang dapat dikenal pasti oleh robot, semakin baik. Tanda tempat memberikan maklum balas kepada algoritma dan memungkinkan pengiraan yang lebih tepat.
Aplikasi Semasa Menggunakan Algoritma SLAM
Mari kita pecahkan ini, sekeping teknologi yang sejuk dengan teknologi yang hebat.
Kenderaan Bawah Air Autonomi (AUV)
Kapal selam tanpa pemandu dapat beroperasi secara autonomi menggunakan teknik SLAM. IMU dalaman menyediakan data pecutan dan gerakan dalam tiga arah. Selain itu, AUV menggunakan sonar menghadap bawah untuk anggaran kedalaman. Sonar imbasan sisi membuat gambar dasar laut, dengan jarak beberapa ratus meter.
Kredit Imej: Florida Sea Grant / Flickr
Realiti Campuran Boleh Dipakai
Microsoft dan Magic Leap telah menghasilkan kacamata yang boleh dipakai yang memperkenalkan aplikasi Mixed Reality. Mengira kedudukan dan membuat peta sangat penting untuk pakaian yang boleh dikenakan ini. Peranti menggunakan peta untuk meletakkan objek maya di atas objek sebenar dan memintanya berinteraksi antara satu sama lain.
cara menghidupkan bluetooth pada windows 7
Oleh kerana alat pakai ini kecil, mereka tidak boleh menggunakan periferal besar seperti LIDAR atau sonar. Sebaliknya, sensor kedalaman inframerah yang lebih kecil dan kamera menghadap ke luar digunakan untuk memetakan persekitaran.
Kereta Memandu Sendiri
Kereta autonomi mempunyai sedikit kelebihan berbanding barang yang boleh dipakai. Dengan ukuran fizikal yang jauh lebih besar, kereta dapat menyimpan komputer yang lebih besar dan mempunyai lebih banyak periferal untuk membuat pengukuran dalaman dan luaran. Dalam banyak cara, kereta memandu sendiri mewakili masa depan teknologi, baik dari segi perisian dan perkakasan.
Teknologi SLAM bertambah baik
Dengan teknologi SLAM digunakan dalam beberapa cara yang berbeza, hanya perlu waktu sebelum disempurnakan. Setelah kereta memandu sendiri (dan kenderaan lain) dilihat setiap hari, anda akan mengetahui bahawa penyetempatan dan pemetaan serentak siap digunakan oleh semua orang.
Teknologi memandu sendiri bertambah baik setiap hari. Ingin mengetahui lebih lanjut? Lihat penjelasan terperinci MakeUseOf tentang bagaimana kereta memandu sendiri berfungsi. Anda mungkin juga berminat dengan cara penggodam menyasarkan kereta yang bersambung.
Kredit Gambar: chesky_w / Depositphotos
Berkongsi Berkongsi Tweet E-mel Cara Mengakses Tahap Buih Buatan Google pada AndroidSekiranya anda perlu memastikan sesuatu berada dalam keadaan darurat, kini anda dapat memperoleh gelembung pada telefon anda dalam beberapa saat.
Baca Seterusnya Topik-topik yang berkaitan- Teknologi Dijelaskan
- Teknologi Automotif
- Kecerdasan Buatan
- Kereta Memandu Sendiri
- SLAM
Tom adalah Jurutera Perisian dari Florida (berteriak kepada Florida Man) dengan minat menulis, bola sepak kolej (pergi Gators!), CrossFit, dan koma Oxford.
Lagi Dari Tom JohnsenLanggan buletin kami
Sertailah buletin kami untuk mendapatkan petua, ulasan, ebook percuma, dan tawaran eksklusif!
Klik di sini untuk melanggan