Annons

Samtidig lokalisering och kartläggning (SLAM) är sannolikt inte en fras som du använder varje dag. Men flera av de senaste coola tekniska underarna använder denna process varje millisekund av deras livslängd.

Vad är SLAM? Varför behöver vi det? Och vad är dessa coola tekniker du pratar om?

Från akronym till abstrakt idé

Här är ett snabbt spel för dig. Vilken av dessa hör inte till?

  • Självkörande bilar
  • Augmented reality-appar
  • Autonoma flyg- och undervattensfordon
  • Blandad verklighet bärbar
  • Roomba

Du kanske tror att svaret lätt är det sista objektet i listan. På ett sätt har du rätt. På ett annat sätt var detta ett trickspel eftersom alla dessa artiklar är relaterade.

Augmented Reality Mixed Reality Wearable
Bildkredit: Nathan Kroll /Flickr

Den verkliga frågan om det (väldigt coola) spelet är detta: Vad gör all denna teknik genomförbar? Svaret: samtidig lokalisering och kartläggning, eller SLAM! som de coola barnen säger det.

I allmän mening är SLAM-algoritmernas syfte tillräckligt enkelt för att upprepas. En robot kommer att använda samtidig lokalisering och kartläggning för att uppskatta dess position och orientering (eller posera) i rymden medan han skapar en karta över sin miljö. Detta gör att roboten kan identifiera var den är och hur man går igenom något okänt utrymme.

instagram viewer

Därför, ja, det vill säga att all den här snygga algoritmen gör är att uppskatta position. En annan populär teknik, Global Positioning System (eller GPS) Hur fungerar GPS-spårning och vad kan du spåra med det?GPS. Vi känner till det som tekniken som leder oss från A till B. Men GPS är mer än så. Det finns en värld av möjligheter, och vi vill inte att du ska missa. Läs mer har uppskattat positionen sedan det första viken på 1990-talet.

Skillnad mellan SLAM och GPS

Så varför behovet av en ny algoritm? GPS har två inneboende problem. För det första, medan GPS är korrekt i förhållande till en global skala, minskar både precision och noggrannhet skalan relativt ett rum, ett bord eller en liten korsning. GPS har noggrannhet ner till en meter, men vilken centimeter är det? Millimeter?

För det andra fungerar GPS inte bra under vattnet. Med inte bra menar jag inte alls. På samma sätt är prestanda fläckig i byggnader med tjocka betongväggar. Eller i källare. Du får idén. GPS är ett satellitbaserat system som lider av fysiska begränsningar.

Så SLAM-algoritmer syftar till att ge en förbättrad känsla av position för våra mest avancerade prylar och maskiner.

Dessa enheter har redan en litany av sensorer och kringutrustning. SLAM-algoritmer använder data från så många av dessa som möjligt genom att använda viss matematik och statistik.

Kyckling eller ägg? Position eller karta?

Matematik och statistik behövs för att svara på en komplex kalendern: används position för att skapa kartan över omgivningen eller används kartan över omgivningen för att beräkna position?

Tänkte experimenttid! Du är interdimensionellt varvad till en obekant plats. Vad är det första du gör? Panik? OK, väl lugna ner, ta en andetag. Ta en annan. Vad är det andra du gör? Se dig omkring och försök hitta något bekant. En stol är till vänster. En växt är till höger om dig. Ett soffbord ligger framför dig.

Därefter en gång den förlamande rädslan för "Var i helvete är jag?" slitnar, du börjar röra dig. Vänta, hur fungerar rörelse i denna dimension? Ta ett steg framåt. Stolen och växten blir mindre och bordet blir större. Nu kan du bekräfta att du faktiskt går framåt.

Observationer är nyckeln till att förbättra SLAM-uppskattningens noggrannhet. I videon nedan, när roboten går från markör till markör, bygger den en bättre karta över miljön.

Tillbaka till den andra dimensionen, ju mer du går runt, desto mer orienterar du dig. Genom att gå i alla riktningar bekräftas att rörelse i denna dimension liknar din hemdimension. När du går till höger, växer växten större. Hjälpsamt ser du andra saker som du identifierar som landmärken i denna nya värld som gör att du kan vandra mer säkert.

Detta är i huvudsak SLAM-processen.

Ingångar till processen

För att göra dessa uppskattningar använder algoritmerna flera uppgifter som kan kategoriseras som interna eller externa. För ditt interdimensionella transportexempel (erkänn det, du hade en rolig resa), de interna mätningarna är storleken på steg och riktning.

De externa mätningarna gjordes i form av bilder. Att identifiera landmärken som växten, stolen och bordet är en enkel uppgift för ögonen och hjärnan. Den mest kraftfulla processorn som är känd - den mänskliga hjärnan - kan ta dessa bilder och inte bara identifiera objekt utan också uppskatta avståndet till det objektet.

Tyvärr (eller lyckligtvis, beroende på din rädsla för SkyNet), har robotar inte en mänsklig hjärna som processor. Maskiner förlitar sig på kiselchips med mänsklig skriftlig kod som en hjärna.

Andra maskiner gör externa mätningar. Kringutrustning som gyroskop eller annan tröghetsmätningsenhet (IMU) hjälper till med detta. Roboter som självkörande bilar använder också mätningen av hjulläget som en intern mätning.

Självkörande bil LIDAR
Bildkredit: Jennifer Morrow /Flickr

Externt använder en självkörande bil och andra robotar LIDAR. I likhet med hur radar använder radiovågor, mäter LIDAR reflekterade ljuspulser för att identifiera avstånd. Det använda ljuset är vanligtvis ultraviolett eller nära infrarött, liknande en infraröd djupsensor.

LIDAR skickar ut tiotusentals pulser per sekund för att skapa en extremt högdefinierad tredimensionell punktmolnkarta. Så, nästa gång Tesla rullar runt på autopilot kommer den att skjuta dig med en laser. Många gånger.

Dessutom använder SLAM-algoritmer statiska bilder och datorsynstekniker som en extern mätning. Detta görs med en enda kamera, men kan göras ännu mer exakt med ett stereopar.

Inuti den svarta lådan

Interna mätningar kommer att uppdatera den uppskattade positionen, som kan användas för att uppdatera den externa kartan. Externa mätningar kommer att uppdatera den uppskattade kartan, som kan användas för att uppdatera positionen. Du kan tänka på det som ett inferensproblem, och tanken är att hitta den optimala lösningen.

Ett vanligt sätt att göra detta är genom sannolikhet. Tekniker såsom ett partikelfilter ungefärlig position och kartläggning med användning av Bayesian statistisk inferens.

Ett partikelfilter använder ett bestämt antal partiklar som sprids ut genom en Gaussisk distribution. Varje partikel "förutsäger" robotens nuvarande position. En sannolikhet tilldelas varje partikel. Alla partiklar börjar med samma sannolikhet.

När mätningar görs som bekräftar varandra (som steg framåt = tabell blir större), får partiklarna som är "korrekta" i sin position stegvis bättre sannolikheter. Partiklar som är långt ifrån tilldelas lägre sannolikheter.

Ju fler landmärken en robot kan identifiera, desto bättre. Landmärken ger feedback till algoritmen och möjliggör mer exakta beräkningar.

Aktuella applikationer med SLAM-algoritmer

Låt oss bryta ned den här coola tekniken av den coola tekniken.

Autonoma undervattensfordon (AUV)

Obemannade ubåtar kan arbeta autonomt med SLAM-tekniker. En intern IMU tillhandahåller accelerations- och rörelsesdata i tre riktningar. Dessutom använder AUV: er bottenvänt ekolod för djupberäkningar. Sidolednings sonar skapar bilder av havsbotten med ett intervall på några hundra meter.

Autonomous Underwater Vehicle Side Scan Sonar Image
Bildkredit: Florida Sea Grant /Flickr

Blandad verklighet Wearables

Microsoft och Magic Leap har producerat bärbara glas som introduceras Mixed Reality-applikationer Windows blandad verklighet: Vad det är och hur man testar det nuWindows Mixed Reality är en ny funktion som låter dig använda Windows 10 i virtuell och augmented reality. Här är varför det är spännande och hur du kan ta reda på om din PC stöder det. Läs mer . Att uppskatta position och skapa en karta är avgörande för dessa bärbara. Enheterna använder kartan för att placera virtuella objekt ovanpå verkliga objekt och få dem att interagera med varandra.

Eftersom dessa bärbara är små, kan de inte använda stora kringutrustning som LIDAR eller ekolod. Istället används mindre infraröda djupsensorer och utåtvända kameror för att kartlägga en miljö.

Självkörande bilar

Autonoma bilar har lite fördelar över wearables. Med en mycket större fysisk storlek kan bilar ha större datorer och ha fler kringutrustning för att göra interna och externa mätningar. På många sätt representerar självkörande bilar teknikens framtid, både när det gäller programvara och hårdvara.

SLAM-tekniken förbättras

När SLAM-tekniken används på ett antal olika sätt är det bara en tidsfråga innan den är perfekt. När självkörande bilar (och andra fordon) ses dagligen, vet du att samtidig lokalisering och kartläggning är redo för alla att använda.

Självdrivande teknik förbättras varje dag. Vill veta mer? Kolla in MakeUseOfs detaljerade uppdelning av hur självkörande bilar fungerar Så fungerar självkörande bilar: muttrarna och bultarna bakom Googles autonoma bilprogramAtt kunna pendla fram och tillbaka till jobbet medan du sover, äter eller fångar din favorit bloggar är ett koncept som är lika tilltalande och till synes avlägsna och för futuristiskt för faktiskt hända. Läs mer . Du kanske också är intresserad av hur hackare riktar sig mot anslutna bilar.

Bildkredit: chesky_w /Depositphotos

Tom är en programvaruingenjör från Florida (shout-out till Florida Man) med en passion för att skriva, college fotboll (go Gators!), CrossFit och Oxford komma.