Vad är SLAM? Hur självkörande bilar vet var de är

Vad är SLAM? Hur självkörande bilar vet var de är

Samtidig lokalisering och kartläggning (SLAM) är sannolikt inte en fras du använder varje dag. Flera av de senaste häftiga tekniska underverken använder dock denna process varje millisekund av deras livslängd.





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



vad gör en twitch -prenumeration

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 wearables
  • 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 trick -spel eftersom alla dessa saker är relaterade.

Bildkredit: Nathan Kroll/ Flickr



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

I allmänhet är syftet med SLAM -algoritmer lätt nog att iterera. En robot kommer att använda samtidig lokalisering och kartläggning för att uppskatta sin position och orientering (eller pose) i rymden samtidigt som den skapar en karta över sin omgivning. Detta gör att roboten kan identifiera var den är och hur den rör sig genom ett okänt utrymme.



Därför, ja, det vill säga allt denna snygga algoritm gör är att uppskatta position. En annan populär teknik, Global Positioning System (eller GPS) har uppskattat position sedan det första golfkriget på 1990 -talet.

Skillnad mellan SLAM och GPS

Så varför behöver man då 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 i förhållande till ett rum, ett bord eller en liten korsning. GPS har noggrannhet ner till en meter, men vad centimeter? Millimeter?



För det andra fungerar GPS inte bra under vattnet. Med inte bra menar jag inte alls. På samma sätt är prestandan prickig inuti byggnader med tjocka betongväggar. Eller i källare. Du förstår tanken. GPS är ett satellitbaserat system som lider av fysiska begränsningar.

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

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

Kyckling eller ägg? Position eller karta?

Matematik och statistik behövs för att besvara en komplex fråga: används position för att skapa en karta över omgivningen eller används kartan över omgivningen för att beräkna position?

Tänkte experimentera tid! Du förvrängs interdimensionellt till en okänd plats. Vad är det första du gör? Panik? OK, lugna ner dig, ta ett andetag. Ta en annan. Vad är det andra du gör nu? Titta runt och försök hitta något bekant. En stol är till vänster. En växt är till höger om dig. Ett soffbord ligger framför dig.

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

varför är min skiva på 100

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. Att gå i alla riktningar bekräftar att rörelse i denna dimension liknar din hemdimension. När du går till höger växer växten större. Till hjälp ser du andra saker som du identifierar som landmärken i denna nya värld som gör att du kan vandra mer självsäkert.

Detta är i huvudsak processen för SLAM.

Ingångar till processen

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

De externa mätningarna görs i form av bilder. Att identifiera landmärken som växten, stolen och bordet är en lätt 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 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 skriven kod som hjärna.

Andra maskiner gör externa mätningar. Periferiutrustning som gyroskop eller annan tröghetsmätningsenhet (IMU) är till hjälp för att göra detta. Robotar som självkörande bilar använder också vägmätning av hjulposition som en intern mätning.

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. Ljuset som används är vanligtvis ultraviolett eller nära infrarött, liknande en infraröd djupsensor.

LIDAR skickar ut tiotusentals pulser per sekund för att skapa en extremt högupplöst tredimensionell punktmolnkarta. Så, ja, nästa gång som 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 uppdaterar den uppskattade positionen, som kan användas för att uppdatera den externa kartan. Externa mätningar uppdaterar den uppskattade kartan, som kan användas för att uppdatera positionen. Du kan se det som ett slutsatsproblem, och tanken är att hitta den optimala lösningen.

Ett vanligt sätt att göra detta är genom sannolikhet. Tekniker som ett partikelfilter ungefärlig position och kartläggning med hjälp av Bayesian statistisk slutsats.

Ett partikelfilter använder ett bestämt antal partiklar som sprids ut genom en Gauss -fördelning. Varje partikel 'förutsäger' robotens nuvarande position. En sannolikhet tilldelas varje partikel. Alla partiklar börjar med samma sannolikhet.

När mätningar görs som bekräftar varandra (till exempel steg framåt = tabellen blir större) får de partiklar som är ”korrekta” i sin position stegvis bättre sannolikheter. Partiklar som är långt borta tilldelas lägre sannolikheter.

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

Aktuella applikationer som använder SLAM -algoritmer

Låt oss bryta ner den här, coola tekniken med den coola tekniken.

Autonoma undervattensfordon (AUV)

Obemannade ubåtar kan arbeta autonomt med SLAM -tekniker. En intern IMU ger accelerations- och rörelsedata i tre riktningar. Dessutom använder AUVs bottenvända ekolod för djupuppskattningar. Ekolod med sidoskanning skapar bilder av havsbotten, med en räckvidd på ett par hundra meter.

Bildkredit: Florida Sea Grant/ Flickr

Mixed Reality Wearables

Microsoft och Magic Leap har tagit fram bärbara glasögon som introducerar Mixed Reality -applikationer. Att uppskatta position och skapa en karta är avgörande för dessa bärbara enheter. Enheterna använder kartan för att placera virtuella objekt ovanpå riktiga objekt och få dem att interagera med varandra.

åtkomst till målmapp för Windows 10 nekad

Eftersom dessa bärbara enheter är små kan de inte använda stora kringutrustning som LIDAR eller ekolod. I stället används mindre infraröda djupgivare och utåtvända kameror för att kartlägga en miljö.

Självkörande bilar

Autonoma bilar har en liten fördel jämfört med bärbara enheter. Med en mycket större fysisk storlek kan bilar hålla större datorer och ha fler kringutrustning för att göra interna och externa mätningar. På många sätt representerar självkörande bilar teknikens framtid, både vad gäller programvara och hårdvara.

SLAM -tekniken förbättras

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

Självkörande teknik förbättras varje dag. Vill veta mer? Kolla in MakeUseOfs detaljerade beskrivning av hur självkörande bilar fungerar. Du kanske också är intresserad av hur hackare riktar sig mot anslutna bilar.

Bildkredit: chesky_w/ Depositphotos

Dela med sig Dela med sig Tweet E-post Så här får du tillgång till Googles inbyggda bubblanivå på Android

Om du någonsin har behövt se till att något är i nivå med en nypa kan du nu få en bubbla på din telefon på några sekunder.

Läs Nästa Relaterade ämnen
  • Teknik förklaras
  • Fordonsteknik
  • Artificiell intelligens
  • Självkörande bil
  • SLAM
Om författaren Tom Johnsen(3 artiklar publicerade)

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

Mer från Tom Johnsen

Prenumerera på vårt nyhetsbrev

Gå med i vårt nyhetsbrev för tekniska tips, recensioner, gratis e -böcker och exklusiva erbjudanden!

Klicka här för att prenumerera