SLAM Nedir? Otomatik Sürüş Otomobilleri Nerede Olduklarını Nasıl Bilir

İlan

Eşzamanlı yerelleştirme ve haritalama (SLAM) büyük olasılıkla her gün kullandığınız bir kelime grubu değildir. Bununla birlikte, en yeni havalı teknolojik harikaların birçoğu bu süreci kullanım ömrünün her milisaniyesinde kullanır.

SLAM nedir? Neden ihtiyacımız var? Ve bahsettiğiniz bu harika teknolojiler neler?

Kısaltmadan Soyut Fikire

İşte size hızlı bir oyun. Bunlardan hangisi ait değil?

• Kendi kendine giden arabalar
• Artırılmış gerçeklik uygulamaları
• Otonom hava ve su altı araçları
• Karma gerçeklik giyilebilir
• Roomba

Yanıtın listedeki son öğe olduğunu kolayca düşünebilirsiniz. Bir bakıma haklısınız. Başka bir deyişle, bu tüm öğeler ilgili olduğu için bir hile oyunuydu.

Oyunun asıl sorusu şudur: Tüm bu teknolojileri mümkün kılan nedir? Cevap: eş zamanlı yerelleştirme ve haritalama veya SLAM! havalı çocukların söylediği gibi.

Genel anlamda, SLAM algoritmalarının amacı yinelemek için yeterince kolaydır. Bir robot, ortamının bir haritasını oluştururken uzayda konumunu ve yönünü (veya pozunu) tahmin etmek için eşzamanlı yerelleştirme ve haritalama kullanacaktır. Bu, robotun nerede olduğunu ve bilinmeyen bir alanda nasıl hareket edileceğini tanımlamasını sağlar.

Bu nedenle, evet, yani bu fantezi-smancy algoritmasının yaptığı tüm konum tahminidir. Bir başka popüler teknoloji, Global Konumlandırma Sistemi (veya GPS) GPS İzleme Nasıl Çalışır ve Bununla Neleri Takip Edebilirsiniz?KÜRESEL KONUMLAMA SİSTEMİ. Bizi A'dan B'ye yönlendiren teknoloji olarak biliyoruz. Ancak GPS bundan daha fazlasıdır. Bir olasılık dünyası var ve kaçırmanızı istemiyoruz. Daha fazla oku 1990'ların ilk Körfez Savaşı'ndan bu yana konum tahmin ediyor.

SLAM ve GPS Arasındaki Fark

Öyleyse neden yeni bir algoritmaya ihtiyaç var? GPS'in iki doğal sorunu vardır. Birincisi, GPS küresel bir ölçeğe göre doğru olsa da, hem hassasiyet hem de doğruluk, bir odaya, bir masaya veya küçük bir kavşağa göre ölçeği azaltır. GPS bir metreye kadar hassasiyete sahiptir, ama ne santimetre? Milimetre?

İkincisi, GPS su altında iyi çalışmıyor. Pek iyi demek istemiyorum. Benzer şekilde, kalın beton duvarlı binalarda performans sivilceli. Veya bodrumlarda. Kaptın bu işi. GPS, fiziksel sınırlamalardan muzdarip uydu tabanlı bir sistemdir.

Bu yüzden SLAM algoritmaları, en gelişmiş cihazlarımız ve makinelerimiz için gelişmiş bir konum hissi vermeyi amaçlamaktadır.

Bu cihazlar zaten bir sensör ve çevre birimine sahiptir. SLAM algoritmaları, bazı matematik ve istatistikleri kullanarak bunlardan mümkün olduğunca çok veri kullanır.

Tavuk mu yumurta mı? Konum mu Harita mı?

Matematik ve istatistik karmaşık bir soruya cevap vermek için gereklidir: konum, çevrenin haritasını oluşturmak için mi kullanılır, yoksa çevrenin haritası konumu hesaplamak için mi kullanılır?

Deney zamanı düşündüm! Boyutlararası olarak bilmediğiniz bir yere çarpıksınız. İlk yaptığınız şey nedir? Panik? Tamam, sakin ol, nefes al. Bir tane daha al. Şimdi, yaptığınız ikinci şey nedir? Etrafınıza bakın ve tanıdık bir şey bulmaya çalışın. Solunuzda bir sandalye var. Bir bitki sağınızda. Önünüzde bir sehpa var.

Sonra, bir zamanlar “Nerede cehennemim?” Felçli korkusu yıpranır, hareket etmeye başlarsınız. Bekle, hareket bu boyutta nasıl çalışır? İleri doğru bir adım atın. Sandalye ve bitki küçülüyor ve masa büyüyor. Şimdi, aslında ilerlediğinizi onaylayabilirsiniz.

Gözlemler, SLAM tahmininin doğruluğunu artırmak için anahtardır. Aşağıdaki videoda, robot işaretleyiciden işaretçiye hareket ettikçe, ortamın daha iyi bir haritasını oluşturur.

Diğer boyuta geri döndüğünüzde, etrafta ne kadar yürürseniz o kadar çok yönelirsiniz. Her yöne adım atmak, bu boyuttaki hareketin ev boyutunuza benzer olduğunu doğrular. Sağa doğru ilerledikçe, bitki daha büyük görünüyor. Yararlı bir şekilde, bu yeni dünyada daha güvenli bir şekilde dolaşmanıza izin veren yer işaretleri olarak tanımladığınız diğer şeyleri görürsünüz.

Bu aslında SLAM sürecidir.

Sürece Girdiler

Bu tahminleri yapmak için algoritmalar, dahili veya harici olarak kategorize edilebilen birkaç veri parçası kullanır. Boyutlar arası taşıma örneğiniz için (itiraf et, eğlenceli bir yolculuk yaptınız), iç ölçümler adımların ve yönün boyutudur.

Yapılan harici ölçümler görüntü şeklindedir. Bitki, sandalye ve masa gibi yer işaretlerini belirlemek gözler ve beyin için kolay bir iştir. Bilinen en güçlü işlemci - insan beyni - bu görüntüleri alabilir ve sadece nesneleri tanımlayamaz, aynı zamanda o nesneye olan mesafeyi de tahmin edebilir.

Ne yazık ki (veya neyse ki, SkyNet korkunuza bağlı olarak), robotların işlemci olarak insan beyni yoktur. Makineler, beyin olarak insan yazılı koduyla silikon çiplere güvenir.

Diğer makine parçaları harici ölçümler yapar. Jiroskoplar veya diğer atalet ölçüm birimleri (IMU) gibi çevre birimleri bunu yaparken yardımcı olur. Kendi kendini süren otomobiller gibi robotlar, dahili ölçüm olarak tekerlek konumunun kilometre sayacını da kullanır.

Dışarıdan, kendi kendine giden bir araba ve diğer robotlar LIDAR kullanır. Radarın radyo dalgalarını nasıl kullandığı gibi, LIDAR da mesafeyi tanımlamak için yansıyan ışık atımlarını ölçer. Kullanılan ışık tipik olarak bir kızılötesi derinlik sensörüne benzer şekilde ultraviyole veya kızılötesine yakındır.

LIDAR, son derece yüksek çözünürlüklü üç boyutlu nokta bulutu haritası oluşturmak için saniyede on binlerce darbe gönderir. Yani, evet, Tesla bir dahaki sefere otopilotta döndüğünde, sizi bir lazerle vuracak. Birçok kez.

Ek olarak, SLAM algoritmaları harici bir ölçüm olarak statik görüntüler ve bilgisayar görme teknikleri kullanır. Bu tek bir kamera ile yapılır, ancak stereo çift ile daha da hassas hale getirilebilir.

Kara Kutunun İçinde

Dahili ölçümler, harici haritayı güncellemek için kullanılabilen tahmini konumu günceller. Harici ölçümler, konumu güncellemek için kullanılabilecek tahmini haritayı güncelleyecektir. Bunu bir çıkarım problemi olarak düşünebilirsiniz ve fikir en uygun çözümü bulmaktır.

Bunu yapmanın yaygın bir yolu olasılıktır. Parçacık filtresi yaklaşık konumu ve Bayes istatistiksel çıkarımını kullanarak haritalama gibi teknikler.

Bir partikül filtresi, bir Gauss dağılımı ile yayılan belirli sayıda partikül kullanır. Her bir parçacık robotun mevcut konumunu “tahmin eder”. Her parçacığa bir olasılık atanır. Tüm parçacıklar aynı olasılıkla başlar.

Birbirini doğrulayan ölçümler yapıldığında (ileri adım = tablonun büyümesi gibi), pozisyonlarında “doğru” olan parçacıklara kademeli olarak daha iyi olasılıklar verilir. Uzak olan parçacıklara daha düşük olasılıklar atanır.

Bir robot ne kadar çok yer işareti belirleyebilirse o kadar iyidir. Yer işaretleri algoritmaya geri bildirim sağlar ve daha kesin hesaplamalar yapılmasını sağlar.

SLAM Algoritmalarını Kullanan Güncel Uygulamalar

Haydi bunu, havalı teknoloji ile havalı teknoloji parçasını yıkalım.

Otonom Sualtı Araçları (AUV'ler)

İnsansız denizaltılar SLAM tekniklerini kullanarak otonom olarak çalışabilir. Dahili IMU üç yönde hızlanma ve hareket verileri sağlar. Ek olarak, AUV'ler derinlik tahminleri için alta bakan sonar kullanır. Yan tarama sonarı, birkaç yüz metrelik menzil ile deniz tabanının görüntülerini oluşturur.

Karışık Gerçeklik Giyilebilir Ürünler

Microsoft ve Magic Leap, takılabilir gözlükler üretti Karma Gerçeklik uygulamaları Windows Karışık Gerçeklik: Nedir ve Nasıl Deneyin?Windows Mixed Reality, Windows 10'u sanal ve artırılmış gerçeklikte kullanmanızı sağlayan yeni bir özelliktir. İşte neden heyecan verici ve PC'nizin destekleyip desteklemediğini nasıl öğreneceksiniz. Daha fazla oku . Konumun tahmin edilmesi ve bir harita oluşturulması bu giyilebilir cihazlar için çok önemlidir. Cihazlar, sanal nesneleri gerçek nesnelerin üzerine yerleştirmek ve birbirleriyle etkileşime sokmak için haritayı kullanır.

Bu giyilebilir cihazlar küçük olduğundan, LIDAR veya sonar gibi büyük çevre birimlerini kullanamazlar. Bunun yerine, bir ortamı haritalamak için daha küçük kızılötesi derinlik sensörleri ve dışa bakan kameralar kullanılır.

Kendinden Sürüşlü Otomobiller

Otonom arabaların giyilebilir cihazlara göre biraz avantajı var. Çok daha büyük bir fiziksel boyuta sahip otomobiller, daha büyük bilgisayarları tutabilir ve dahili ve harici ölçümler yapmak için daha fazla çevre birimine sahip olabilir. Birçok yönden, kendi kendine giden otomobiller, yazılım ve donanım açısından teknolojinin geleceğini temsil ediyor.

SLAM Teknolojisi Gelişiyor

SLAM teknolojisi birkaç farklı şekilde kullanıldığında, mükemmelleştirilmesi sadece zaman meselesidir. Kendi kendine giden arabalar (ve diğer araçlar) günlük olarak görüldüğünde, eşzamanlı yerelleştirme ve haritalamanın herkesin kullanımına hazır olduğunu bilirsiniz.

Kendi kendine sürüş teknolojisi her geçen gün gelişiyor. Daha fazla bilmek ister misiniz? MakeUseOf’un ayrıntılı dökümüne göz atın Kendi kendine giden arabalar nasıl çalışır Kendi Kendini Sürüş Arabalar Nasıl Çalışır: Google'ın Özerk Araba Programının Arkasındaki Somunlar ve CıvatalarEn sevdiğiniz uyurken, yerken veya yetişirken işe gidip gelme bloglar eşit derecede çekici ve görünüşte uzak ve aslında çok fütüristik bir kavramdır. olmak. Daha fazla oku . Ayrıca ilginizi çekebilir bilgisayar korsanları bağlı arabaları nasıl hedefliyor.

Resim Kredisi: chesky_w /Depositphotos