Home-theater-designers
És probable que la localització i mapatge simultani (SLAM) no sigui una frase que utilitzeu diàriament. No obstant això, diverses de les meravelles tecnològiques més recents utilitzen aquest procés cada mil·lisegon de la seva vida útil.
Què és SLAM? Per què ho necessitem? I de quines tecnologies tan divertides parles?
com fer un iso d'arrencada
De l'acrònim a la idea abstracta
Aquí teniu un joc ràpid per a vosaltres. Quin d'aquests no pertany?
- Cotxes autònoms
- Aplicacions de realitat augmentada
- Vehicles aeris i submarins autònoms
- Indumentària de realitat mixta
- El Roomba
Podeu pensar que la resposta és fàcilment l’últim element de la llista. En certa manera, tens raó. D’una altra manera, aquest era un joc de trucs, ja que tots aquests elements estan relacionats.
Crèdit de la imatge: Nathan Kroll / Flickr
La pregunta real del joc (molt divertit) és la següent: què fa que siguin factibles totes aquestes tecnologies? La resposta: localització i mapatge simultanis, o SLAM. com ho diuen els nens divertits.
En un sentit general, el propòsit dels algoritmes SLAM és prou fàcil d'iterar. Un robot utilitzarà la localització i el mapatge simultanis per estimar la seva posició i orientació (o posada) a l’espai mentre crea un mapa del seu entorn. Això permet al robot identificar on es troba i com moure’s per algun espai desconegut.
Per tant, sí, és a dir, tot el que fa aquest algorisme fantàstic és estimar la posició. Una altra tecnologia popular, el Sistema de Posicionament Global (o GPS), ha estat estimant la posició des de la primera guerra del Golf dels anys noranta.
Diferenciant SLAM i GPS
Llavors, per què la necessitat d'un nou algorisme? El GPS té dos problemes inherents. En primer lloc, si bé el GPS és precís en relació amb una escala global, tant la precisió com la precisió disminueixen l’escala en relació amb una habitació, una taula o una petita intersecció. El GPS té precisió fins a un metre, però quin centímetre? Mil·límetre?
En segon lloc, el GPS no funciona bé sota l'aigua. Per no bé, no vull dir en absolut. De la mateixa manera, el rendiment és irregular a l’interior d’edificis amb gruixuts murs de formigó. O als soterranis. Tens la idea. El GPS és un sistema basat en satèl·lit que pateix limitacions físiques.
Per tant, els algoritmes SLAM tenen com a objectiu donar una millor sensació de posició als nostres aparells i màquines més avançats.
Aquests dispositius ja tenen una lletania de sensors i perifèrics. Els algoritmes SLAM utilitzen les dades de tants d’aquests com sigui possible mitjançant l’ús d’algunes estadístiques i matemàtiques.
Pollastre o ou? Posició o mapa?
Es necessiten matemàtiques i estadístiques per respondre a un problema complex: s’utilitza la posició per crear el mapa de l’entorn o s’utilitza el mapa de l’entorn per calcular la posició?
Temps d'experimentació pensat! Està deformat interdimensionalment a un lloc desconegut. Què és el primer que fas? Pànic? D'acord, bé calma't, respira. Agafeu-ne un altre. Ara, què és el segon que fas? Mireu al vostre voltant i intenteu trobar alguna cosa familiar. Hi ha una cadira a l’esquerra. Una planta està a la vostra dreta. Hi ha una taula de cafè al davant.
A continuació, una vegada la por paralitzant de 'On dimonis estic?' desapareix, comences a moure’t. Espera, com funciona el moviment en aquesta dimensió? Feu un pas endavant. La cadira i la planta es fan més petites i la taula cada vegada més gran. Ara podeu confirmar que, de fet, esteu avançant.
Com es comprova l'historial d'activitats de l'ordinador a Windows 10
Les observacions són claus per millorar la precisió de l'estimació SLAM. Al vídeo següent, a mesura que el robot es mou d’un marcador a l’altre, crea un millor mapa de l’entorn.
Tornant a l’altra dimensió, com més camineu, més us orienteu. Pas en totes direccions confirma que el moviment en aquesta dimensió és similar a la dimensió de casa vostra. A mesura que aneu cap a la dreta, la planta es planteja més gran. És útil veure altres coses que identifiqueu com a fites en aquest nou món que us permetran passejar amb més seguretat.
Aquest és essencialment el procés de SLAM.
Entrades al procés
Per fer aquestes estimacions, els algoritmes utilitzen diverses dades que es poden classificar com a internes o externes. Per al vostre exemple de transport inter-dimensional (admet-ho, heu tingut un viatge divertit), les mesures internes són la mida dels passos i la direcció.
Les mesures externes realitzades són en forma d’imatges. Identificar punts de referència com la planta, la cadira i la taula és una tasca fàcil per als ulls i el cervell. El processador més potent conegut, el cervell humà, és capaç de prendre aquestes imatges i no només identificar objectes, sinó també estimar la distància a aquest objecte.
Malauradament (o afortunadament, depenent de la vostra por a SkyNet), els robots no tenen un cervell humà com a processador. Les màquines es basen en xips de silici amb codi escrit humà com a cervell.
Altres peces de maquinària fan mesures externes. Perifèrics com els giroscopis o una altra unitat de mesura inercial (IMU) són útils per fer-ho. Els robots com els cotxes que condueixen automàticament també utilitzen l’odometria de la posició de la roda com a mesura interna.
Crèdit de la imatge: Jennifer Morrow / Flickr
Externament, un cotxe autònom i altres robots utilitzen LIDAR. De forma similar a com el radar utilitza ones de ràdio, LIDAR mesura els impulsos de llum reflectits per identificar la distància. La llum que s’utilitza sol ser ultraviolada o prop de l’infraroig, de manera similar a un sensor de profunditat d’infrarojos.
LIDAR envia desenes de milers de polsos per segon per crear un mapa tridimensional de núvols de punts de definició extremadament alta. Per tant, sí, la propera vegada que Tesla llanci el pilot automàtic, us dispararà amb un làser. Moltes vegades.
A més, els algorismes SLAM utilitzen imatges estàtiques i tècniques de visió per ordinador com a mesura externa. Això es fa amb una sola càmera, però es pot fer encara més precís amb un parell estèreo.
Dins de la Caixa Negra
Les mesures internes actualitzaran la posició estimada, que es pot utilitzar per actualitzar el mapa extern. Les mesures externes actualitzaran el mapa estimat, que es pot utilitzar per actualitzar la posició. Podeu considerar-ho com un problema d’inferència i la idea és trobar la solució òptima.
Una manera comuna de fer-ho és mitjançant la probabilitat. Tècniques com ara un filtre de partícules aproximen la posició i el mapatge mitjançant la inferència estadística bayesiana.
Un filtre de partícules utilitza un nombre determinat de partícules distribuïdes per una distribució gaussiana. Cada partícula 'prediu' la posició actual del robot. S'assigna una probabilitat a cada partícula. Totes les partícules comencen amb la mateixa probabilitat.
Quan es fan mesures que es confirmen mútuament (com ara el pas endavant = augmentar la taula), les partícules que són 'correctes' en la seva posició es donen de manera incremental amb més probabilitats. Les partícules que estan molt lluny s’assignen probabilitats més baixes.
Com més fites pugui identificar un robot, millor. Els punts de referència proporcionen retroalimentació a l'algorisme i permeten realitzar càlculs més precisos.
Aplicacions actuals que fan servir algorismes SLAM
Anem a desglossar aquesta peça de tecnologia interessant per tecnologia.
Vehicles subaquàtics autònoms (AUV)
Els submarins no tripulats poden funcionar de manera autònoma mitjançant tècniques SLAM. Una IMU interna proporciona dades d’acceleració i moviment en tres direccions. A més, els AUV utilitzen el sonar orientat cap a la part inferior per a estimacions de profunditat. El sonar d’exploració lateral crea imatges del fons marí, amb un abast de dos centenars de metres.
Crèdit de la imatge: Florida Sea Grant / Flickr
Roba de realitat mixta
Microsoft i Magic Leap han produït ulleres portables que introdueixen aplicacions de realitat mixta. Estimar la posició i crear un mapa és crucial per a aquests equips portables. Els dispositius utilitzen el mapa per situar objectes virtuals sobre objectes reals i fer-los interactuar entre ells.
on puc imprimir un document des del meu correu electrònic?
Com que aquests equips portables són petits, no poden utilitzar perifèrics grans com el LIDAR o el sonar. En canvi, s’utilitzen sensors de profunditat infrarojos més petits i càmeres orientades cap a l’exterior per cartografiar un entorn.
Cotxes autònoms
Els cotxes autònoms tenen una mica d’avantatge sobre els equips portables. Amb una mida física molt més gran, els cotxes poden contenir ordinadors més grans i tenir més perifèrics per fer mesures internes i externes. En molts sentits, els cotxes autònoms representen el futur de la tecnologia, tant pel que fa al programari com al maquinari.
La tecnologia SLAM està millorant
Amb la tecnologia SLAM que s’utilitza de diverses maneres diferents, només és qüestió de temps que es perfeccioni. Un cop es vegin diàriament els cotxes que condueixen automàticament (i altres vehicles), sabreu que la localització i la cartografia simultànies estan a punt per a tothom.
La tecnologia de conducció automàtica millora cada dia. Voleu saber-ne més? Consulteu el desglossament detallat de MakeUseOf sobre el funcionament dels cotxes autònoms. També us pot interessar com els pirates informàtics s’orienten als cotxes connectats.
Crèdit de la imatge: chesky_w / Depositphotos
Compartir Compartir Tweet Correu electrònic Com accedir al nivell de bombolla integrat de Google a AndroidSi alguna vegada heu necessitat assegurar-vos que hi ha alguna cosa al mateix nivell, podeu obtenir un nivell de bombolla al telèfon en qüestió de segons.
Llegiu a continuació Temes relacionats- Tecnologia explicada
- Tecnologia automotriu
- Intel · ligència artificial
- Cotxe autònom
- SLAM
Tom és un enginyer de programari de Florida (cridat a Florida Man) amb passió per l’escriptura, el futbol universitari (vaja Gators!), El CrossFit i les comes d’Oxford.
Més de Tom JohnsenSubscriu-te al nostre butlletí
Uniu-vos al nostre butlletí per obtenir consells tècnics, ressenyes, llibres electrònics gratuïts i ofertes exclusives.
Feu clic aquí per subscriure-us