Home-theater-designers
Ang sabay na lokalisasyon at pagmamapa (SLAM) ay malamang na hindi isang parirala na ginagamit mo araw-araw. Gayunpaman, marami sa pinakabagong mga cool na teknolohikal na milagro ang gumagamit ng prosesong ito bawat millisecond ng kanilang habang-buhay.
Ano ang SLAM? Bakit kailangan natin ito? At ano ang mga cool na teknolohiyang ito na iyong sinasabi?
kung paano ipasok ang isang linya sa salitang 2016
Mula sa Acronym to Abstract Idea
Narito ang isang mabilis na laro para sa iyo. Alin sa mga ito ang hindi nabibilang?
- Mga kotse na nagmamaneho ng sarili
- Augmented reality apps
- Mga autonomous na sasakyang panghimpapawid at sa ilalim ng dagat
- Halo-halong mga naisusuot na katotohanan
- Ang Roomba
Maaari mong isipin na ang sagot ay madali ang huling item sa listahan. Sa isang paraan, tama ka. Sa ibang paraan, ito ay isang trick game dahil lahat ng mga item na iyon ay magkakaugnay.
Credit sa Larawan: Nathan Kroll / Flickr
Ang totoong tanong ng (napaka-cool) na laro ay ito: Ano ang magagawa ang lahat ng mga teknolohiyang ito? Ang sagot: sabay-sabay na lokalisasyon at pagmamapa, o SLAM! tulad ng sinasabi ng mga astig na bata.
Sa isang pangkalahatang kahulugan, ang layunin ng mga algorithm ng SLAM ay sapat na madali upang umulit. Gumagamit ang isang robot ng sabay-sabay na lokalisasyon at pagmamapa upang tantyahin ang posisyon at oryentasyon nito (o magpose) sa kalawakan habang lumilikha ng isang mapa ng kapaligiran nito. Pinapayagan nitong makilala ng robot kung nasaan ito at kung paano lumipat sa ilang hindi kilalang puwang.
Samakatuwid, oo, iyon ay upang sabihin ang lahat ng ginagawa ng fancy-smancy algorithm na ito ay tantyahin ang posisyon. Ang isa pang tanyag na teknolohiya, ang Global Positioning System (o GPS) ay tinatantiya ang posisyon mula pa noong unang Digmaang sa Golpo noong dekada 1990.
Pagkakaiba sa pagitan ng SLAM at GPS
Kaya kung gayon bakit kailangan ng isang bagong algorithm? Ang GPS ay may dalawang likas na mga problema. Una, habang ang GPS ay tumpak na may kaugnayan sa isang pandaigdigang sukat, ang parehong katumpakan at kawastuhan ay nagbabawas ng sukat na may kaugnayan sa isang silid, o isang mesa, o isang maliit na intersection. Ang GPS ay may kawastuhan hanggang sa isang metro, ngunit ano ang sentimeter? Millimeter?
Pangalawa, hindi gagana ang GPS sa ilalim ng tubig. Sa hindi mabuti ibig kong sabihin hindi talaga. Katulad nito, ang pagganap ay batik-batik sa loob ng mga gusali na may makapal na kongkretong pader. O sa basement. Nakuha mo ang ideya. Ang GPS ay isang satellite based system, na naghihirap mula sa mga pisikal na limitasyon.
Sa gayon ang mga algorithm ng SLAM ay naglalayong magbigay ng isang pinabuting pakiramdam ng posisyon para sa aming pinaka-advanced na mga gadget at machine.
Ang mga aparatong ito ay mayroon nang litanya ng mga sensor at paligid. Ang mga algorithm ng SLAM ay gumagamit ng data mula sa maraming mga ito hangga't maaari sa pamamagitan ng paggamit ng ilang matematika at istatistika.
Manok o Itlog? Posisyon o Mapa?
Kailangan ang matematika at istatistika upang sagutin ang isang kumplikadong quandary: ginagamit ba ang posisyon upang likhain ang mapa ng paligid o ang mapa ng paligid ay ginagamit upang makalkula ang posisyon?
Naisip na oras ng eksperimento! Inter-dimensionally warped ka sa isang hindi pamilyar na lugar. Ano ang unang bagay na iyong ginawa? Gulat? OK, maayos huminahon, huminga. Kumuha ng isa pa. Ngayon, ano ang pangalawang bagay na iyong ginagawa? Tumingin sa paligid at subukan upang makahanap ng isang bagay na pamilyar. Ang isang upuan ay nasa kaliwa mo. Ang isang halaman ay nasa kanan mo. Nasa harap mo ang isang mesa ng kape.
Susunod, sa sandaling ang paralisadong takot sa 'Nasaan ako?' nagsusuot, nagsimula kang gumalaw. Maghintay, paano gumagana ang kilusan sa sukat na ito? Gumawa ng isang hakbang pasulong. Ang upuan at halaman ay lumiliit at ang lamesa ay lumalaki. Ngayon, makukumpirma mo na ikaw ay sa katunayan ay sumusulong.
hindi gisingin ang windows 10 mula sa mode ng pagtulog
Ang mga pagmamasid ay susi sa pagpapabuti ng kawastuhan ng pagtatantya ng SLAM. Sa video sa ibaba, habang gumagalaw ang robot mula sa marker patungo sa marker, bumubuo ito ng isang mas mahusay na mapa ng kapaligiran.
Bumalik sa iba pang dimensyon, mas lumalakad ka sa paligid ng mas maraming oriente mo ang iyong sarili. Ang pagtahak sa lahat ng direksyon ay nagpapatunay na ang paggalaw sa sukat na ito ay pareho sa iyong dimensyon sa bahay. Sa pagpunta mo sa kanan, mas malaki ang pag-loom ng halaman. Sa kapaki-pakinabang, nakikita mo ang iba pang mga bagay na kinikilala mo bilang mga palatandaan sa bagong mundo na nagbibigay-daan sa iyo upang gumala ng mas tiwala.
Ito ang mahalagang proseso ng SLAM.
Mga input sa Proseso
Upang magawa ang mga pagtantya na ito, ang mga algorithm ay gumagamit ng maraming mga piraso ng data na maaaring ikinategorya bilang panloob o panlabas. Para sa iyong inter-dimensional na halimbawa ng transportasyon (aminin, mayroon kang isang masaya na paglalakbay), ang panloob na mga sukat ay ang laki ng mga hakbang at direksyon.
Ang mga panlabas na sukat na ginawa ay nasa anyo ng mga imahe. Ang pagtukoy ng mga palatandaan tulad ng halaman, upuan, at mesa ay isang madaling gawain para sa mga mata at utak. Ang pinaka-makapangyarihang processor na kilala --- ang utak ng tao --- ay makakakuha ng mga larawang ito at hindi lamang kilalanin ang mga bagay, ngunit tinantya din ang distansya sa bagay na iyon.
Sa kasamaang palad (o sa kabutihang palad, nakasalalay sa iyong takot sa SkyNet), ang mga robot ay walang utak ng tao bilang isang processor. Ang mga makina ay umaasa sa mga silicon chip na may nakasulat na code ng tao bilang isang utak.
Ang iba pang mga piraso ng makinarya ay gumagawa ng panlabas na sukat. Ang mga peripheral tulad ng gyroscope o iba pang unit ng pagsukat ng inertial (IMU) ay kapaki-pakinabang sa paggawa nito. Ang mga robot tulad ng mga self-drive na kotse ay gumagamit din ng odometry ng posisyon ng gulong bilang isang panloob na pagsukat.
Credit sa Larawan: Jennifer Morrow / Flickr
Panlabas, isang kotse na nagmamaneho sa sarili at iba pang mga robot ang gumagamit ng LIDAR. Katulad ng kung paano gumagamit ang radar ng mga alon sa radyo, ang mga panukala sa LIDAR ay sumasalamin ng mga ilaw na pulso upang makilala ang distansya. Ang ilaw na ginamit ay karaniwang ultraviolet o malapit sa infrared, katulad ng isang infrared lalim na sensor.
Nagpapadala ang LIDAR ng libu-libong mga pulso bawat segundo upang lumikha ng isang napakataas na kahulugan ng three-dimensional point cloud map. Kaya, oo, sa susunod na pagulong-ikot ng Tesla sa autopilot, kukunan ka nito ng laser. Maraming beses.
Bilang karagdagan, ang mga algorithm ng SLAM ay gumagamit ng mga static na imahe at diskarte sa paningin sa computer bilang isang panlabas na pagsukat. Ginagawa ito sa isang solong camera, ngunit maaaring gawing mas tumpak sa isang pares ng stereo.
Sa loob ng Itim na Kahon
Maa-update ng panloob na mga sukat ang tinatayang posisyon, na maaaring magamit upang mai-update ang panlabas na mapa. Ang mga panlabas na sukat ay mag-a-update ng tinatayang mapa, na maaaring magamit upang mai-update ang posisyon. Maaari mong isipin ito bilang isang problema sa hinuha, at ang ideya ay upang mahanap ang pinakamainam na solusyon.
Ang isang karaniwang paraan upang magawa ito ay sa pamamagitan ng posibilidad. Ang mga diskarteng tulad ng isang maliit na butil ng filter ng tinatayang posisyon at pagmamapa gamit ang hinuha ng istatistika ng Bayesian.
Ang isang filter ng maliit na butil ay gumagamit ng isang hanay ng bilang ng mga maliit na butil na kumalat sa pamamagitan ng isang pamamahagi ng Gaussian. Ang bawat maliit na butil ay 'hinuhulaan' ang kasalukuyang posisyon ng robot. Ang isang posibilidad ay itinalaga sa bawat maliit na butil. Ang lahat ng mga maliit na butil ay nagsisimula sa parehong posibilidad.
Kapag ang mga sukat ay ginawa na kumpirmahin ang bawat isa (tulad ng hakbang pasulong = talahanayan na nagiging mas malaki), kung gayon ang mga maliit na butil na 'tama' sa kanilang posisyon ay dagdag na binibigyan ng mas mahusay na mga posibilidad. Ang mga partikulo na malayo ay nakatalaga ng mas mababang mga posibilidad.
Ang mas maraming mga landmark na maaaring makilala ng isang robot, mas mabuti. Nagbibigay ng feedback ang mga landmark sa algorithm at nagbibigay-daan para sa mas tumpak na mga kalkulasyon.
Mga Kasalukuyang Aplikasyon Gamit ang SLAM Algorithms
Tanggalin natin ito, cool na piraso ng teknolohiya sa pamamagitan ng cool na piraso ng teknolohiya.
Mga Autonomous na Sasakyan sa Lalim ng Tubig (AUVs)
Ang mga walang submarino na submarino ay maaaring gumana nang autonomiya gamit ang mga diskarte sa SLAM. Ang isang panloob na IMU ay nagbibigay ng data ng pagpabilis at paggalaw sa tatlong direksyon. Bilang karagdagan, ang mga AUV ay gumagamit ng sonar na nakaharap sa ilalim para sa lalim na mga pagtatantya. Ang sonar ng pag-scan sa gilid ay lumilikha ng mga imahe ng sahig ng dagat, na may saklaw na isang daang metro.
Credit sa Larawan: Florida Sea Grant / Flickr
Mixed Reality Wearables
Ang Microsoft at Magic Leap ay gumawa ng mga naisusuot na baso na nagpapakilala sa mga application ng Mixed Reality. Ang pagtantya sa posisyon at paglikha ng isang mapa ay mahalaga para sa mga naisusuot na ito. Ginagamit ng mga aparato ang mapa upang ilagay ang mga virtual na bagay sa tuktok ng mga totoong bagay at makipag-ugnay sa isa't isa.
paano mo maililipat ang mga file mula sa isang computer patungo sa isa pa
Dahil maliit ang mga naisusuot na ito, hindi sila maaaring gumamit ng malalaking paligid tulad ng LIDAR o sonar. Sa halip, ang mas maliit na mga infrared na sensor ng lalim at mga nakaharap na camera ay ginagamit upang mapa ang isang kapaligiran.
Mga Kotse na Nagmamaneho ng Sarili
Ang mga autonomous na kotse ay may kaunting kalamangan kaysa sa mga naisusuot. Sa pamamagitan ng isang mas malaking laki ng pisikal, ang mga kotse ay maaaring magkaroon ng mas malaking computer at magkaroon ng higit pang mga peripheral upang makagawa ng panloob at panlabas na mga sukat. Sa maraming mga paraan, ang mga self-drive na kotse ay kumakatawan sa hinaharap ng teknolohiya, kapwa sa mga tuntunin ng software at hardware.
Ang teknolohiya ng SLAM ay Nagpapabuti
Gamit ang teknolohiyang SLAM na ginagamit sa maraming iba't ibang mga paraan, kaunting oras lamang ito bago ito ganapin. Kapag nakita ang mga self-drive na kotse (at iba pang mga sasakyan) sa araw-araw, malalaman mo na ang sabay na lokalisasyon at pagmamapa ay handa na para magamit ng lahat.
Ang teknolohiya sa pagmamaneho ng sarili ay nagpapabuti araw-araw. Nais bang malaman ang higit pa? Suriin ang detalyadong pagkasira ng MakeUseOf kung paano gumagana ang mga self-drive na kotse. Maaari ka ring maging interesado sa kung paano nai-target ng mga hacker ang mga nakakonektang kotse.
Credit sa Larawan: chesky_w / Mga deposito
Magbahagi Magbahagi Mag-tweet Email Paano i-access ang Built-In na Bubble Level ng Google sa AndroidKung sakaling kailanganin mong tiyakin na may antas sa isang kurot, maaari ka na ngayong makakuha ng antas ng bubble sa iyong telepono sa ilang segundo.
Basahin Susunod Mga Kaugnay na Paksa- Ipinaliwanag ang Teknolohiya
- Teknolohiya ng Sasakyan
- Artipisyal na Katalinuhan
- Kotse na Nagmamaneho ng Sarili
- SLAM
Si Tom ay isang Software Engineer mula sa Florida (sumigaw sa Florida Man) na may pagkahilig sa pagsusulat, football sa kolehiyo (go Gators!), CrossFit, at Oxford comma.
Higit pa Mula kay Tom JohnsenMag-subscribe sa aming newsletter
Sumali sa aming newsletter para sa mga tip sa tech, pagsusuri, libreng ebook, at eksklusibong deal!
Mag-click dito upang mag-subscribe