Wat is SLAM? Hoe zelfrijdende auto's weten waar ze zijn
Advertentie
Simultaan lokaliseren en in kaart brengen (SLAM) is waarschijnlijk geen zin die u elke dag gebruikt. Verschillende van de nieuwste coole technologische wonderen gebruiken dit proces echter elke milliseconde van hun levensduur.
Wat is SLAM? Waarom hebben we het nodig? En over welke coole technologieën spreekt u?
Van acroniem tot abstract idee
Hier is een snel spel voor jou. Welke hoort hier niet thuis?
- Zelfrijdende auto's
- Augmented reality-apps
- Autonome lucht- en onderwatervoertuigen
- Wearables met gemengde realiteit
- De Roomba
Je denkt misschien dat het antwoord gemakkelijk het laatste item in de lijst is. In zekere zin heb je gelijk. Op een andere manier was dit een trickgame omdat al die items aan elkaar gerelateerd zijn.
De echte vraag van de (erg coole) game is deze: wat maakt al deze technologieën mogelijk? Het antwoord: gelijktijdige lokalisatie en mapping, of SLAM! zoals de coole kinderen het zeggen.
In algemene zin is het doel van SLAM-algoritmen eenvoudig genoeg om te herhalen. Een robot zal simultaan lokalisatie en kaarten gebruiken om zijn positie en oriëntatie (of pose) in de ruimte te schatten terwijl hij een kaart van zijn omgeving maakt. Hierdoor kan de robot identificeren waar hij is en hoe hij zich door een onbekende ruimte kan bewegen.
Daarom, ja, dat wil zeggen dat al dit fancy-smancy-algoritme de positie schat. Een andere populaire technologie, Global Positioning System (of GPS) Hoe werkt GPS-tracking en wat kunt u ermee volgen? Hoe werkt GPS-tracking en wat kunt u ermee volgen? GPS. We kennen het als de technologie die ons van A naar B leidt. Maar GPS is meer dan dat. Er is een wereld van mogelijkheden en we willen niet dat u deze mist. Read More schat de positie sinds de eerste Golfoorlog van de jaren negentig.
Onderscheid maken tussen SLAM en GPS
Waarom dan de behoefte aan een nieuw algoritme? GPS heeft twee inherente problemen. Ten eerste, terwijl GPS nauwkeurig is ten opzichte van een wereldwijde schaal, verminderen zowel precisie als nauwkeurigheid de schaal ten opzichte van een kamer, een tafel of een klein kruispunt. GPS heeft nauwkeurigheid tot op een meter, maar wat is de centimeter? Millimeter?
Ten tweede werkt GPS niet goed onder water. Met niet goed bedoel ik helemaal niet. Evenzo zijn de prestaties vlekkerig in gebouwen met dikke betonnen muren. Of in kelders. Je snapt het wel. GPS is een op satellieten gebaseerd systeem dat fysieke beperkingen heeft.
SLAM-algoritmen zijn dus bedoeld om een verbeterd gevoel van positie te geven voor onze meest geavanceerde gadgets en machines.
Deze apparaten hebben al een litanie van sensoren en randapparatuur. SLAM-algoritmen gebruiken de gegevens van zoveel mogelijk hiervan door wiskunde en statistieken te gebruiken.
Kip of Ei? Positie of kaart?
Wiskunde en statistieken zijn nodig om een complex dilemma te beantwoorden: wordt positie gebruikt om de kaart van de omgeving te maken of wordt de kaart van de omgeving gebruikt om de positie te berekenen?
Dacht experiment tijd! Je bent interdimensionaal vervormd naar een onbekende plek. Wat is het eerste wat je doet? Paniek? OK, rustig aan, adem diep in. Neem een andere. Wat is het tweede wat je doet? Kijk rond en probeer iets vertrouwds te vinden. Er is een stoel links van je. Rechts van je staat een plant. Er staat een salontafel voor je.
Vervolgens, zodra de verlammende angst voor "Waar ben ik in vredesnaam?" Verdwijnt, begin je te bewegen. Wacht, hoe werkt beweging in deze dimensie? Zet een stap vooruit. De stoel en plant worden kleiner en de tafel wordt groter. Nu kunt u bevestigen dat u in feite vooruit gaat.
Waarnemingen zijn cruciaal voor het verbeteren van de nauwkeurigheid van de SLAM-schatting. In de onderstaande video bouwt de robot van marker naar marker een betere kaart van de omgeving.
Terug naar de andere dimensie, hoe meer je rondloopt, hoe meer je je oriënteert. In alle richtingen stappen bevestigt dat beweging in deze dimensie vergelijkbaar is met je thuisdimensie. Als je naar rechts gaat, doemt de plant groter op. Nuttig zie je andere dingen die je identificeert als oriëntatiepunten in deze nieuwe wereld waardoor je zelfverzekerder kunt wandelen.
Dit is in wezen het proces van SLAM.
Ingangen voor het proces
Om deze schattingen te maken, gebruiken de algoritmen verschillende gegevens die kunnen worden gecategoriseerd als intern of extern. Voor uw interdimensionale transportvoorbeeld (geef toe, u had een leuke reis), zijn de interne metingen grootte van stappen en richting.
De externe metingen zijn in de vorm van afbeeldingen. Het identificeren van oriëntatiepunten zoals de plant, stoel en tafel is een eenvoudige taak voor de ogen en de hersenen. De krachtigste bekende processor - het menselijk brein - kan deze beelden maken en niet alleen objecten identificeren, maar ook de afstand tot dat object schatten.
Helaas (of gelukkig, afhankelijk van je angst voor SkyNet) hebben robots geen menselijk brein als processor. Machines vertrouwen op siliciumchips met menselijke geschreven code als brein.
Andere machines maken externe metingen. Randapparatuur zoals gyroscopen of andere traagheidsmeeteenheden (IMU) zijn hierbij nuttig. Robots zoals zelfrijdende auto's gebruiken ook de kilometerteller van de wielpositie als interne meting.
Extern gebruiken een zelfrijdende auto en andere robots LIDAR. Vergelijkbaar met hoe radar radiogolven gebruikt, meet LIDAR gereflecteerde lichtpulsen om afstand te identificeren. Het gebruikte licht is typisch ultraviolet of bijna-infrarood, vergelijkbaar met een infrarooddieptesensor.
LIDAR verzendt tienduizenden pulsen per seconde om een driedimensionale puntenwolkkaart met extreem hoge definitie te creëren. Dus ja, de volgende keer dat Tesla op de automatische piloot rolt, schiet het je met een laser. Heel vaak.
Bovendien gebruiken SLAM-algoritmen statische beelden en computer vision-technieken als externe meting. Dit gebeurt met een enkele camera, maar kan nog nauwkeuriger worden gemaakt met een stereopaar.
In de zwarte doos
Interne metingen werken de geschatte positie bij, die kan worden gebruikt om de externe kaart bij te werken. Externe metingen zullen de geschatte kaart bijwerken, die kan worden gebruikt om de positie bij te werken. Je kunt het zien als een gevolgprobleem, en het idee is om de optimale oplossing te vinden.
Een gebruikelijke manier om dit te doen is door waarschijnlijkheid. Technieken zoals een deeltjesfilter benaderen positie en kaarten met behulp van Bayesiaanse statistische inferentie.
Een deeltjesfilter gebruikt een bepaald aantal deeltjes verspreid door een Gauss-verdeling. Elk deeltje "voorspelt" de huidige positie van de robot. Aan elk deeltje wordt een waarschijnlijkheid toegekend. Alle deeltjes beginnen met dezelfde waarschijnlijkheid.
Wanneer metingen worden gedaan die elkaar bevestigen (zoals een stap vooruit = tafel wordt groter), worden de deeltjes die 'correct' zijn in hun positie stapsgewijs betere kansen gegeven. Deeltjes die ver weg zijn, krijgen lagere kansen.
Hoe meer oriëntatiepunten een robot kan identificeren, hoe beter. Oriëntatiepunten geven feedback aan het algoritme en zorgen voor preciezere berekeningen.
Huidige toepassingen met SLAM-algoritmen
Laten we dit afbreken, cool stukje technologie door cool stukje technologie.
Autonome onderwatervoertuigen (AUV's)
Onbemande onderzeeërs kunnen autonoom werken met behulp van SLAM-technieken. Een interne IMU biedt versnellings- en bewegingsgegevens in drie richtingen. Bovendien gebruiken AUV's sonar aan de onderkant voor diepteschattingen. Side scan sonar maakt beelden van de zeebodem, met een bereik van een paar honderd meter.
Mixed Reality Wearables
Microsoft en Magic Leap hebben draagbare brillen geproduceerd die Mixed Reality-toepassingen introduceren Windows Mixed Reality: wat het is en hoe het nu te proberen Windows Mixed Reality: wat het is en hoe het nu te proberen Windows Mixed Reality is een nieuwe functie waarmee u Windows 10 in virtuele en augmented reality. Dit is waarom het zo opwindend is en hoe u kunt zien of uw pc dit ondersteunt. Lees verder . Het schatten van de positie en het maken van een kaart is cruciaal voor deze wearables. De apparaten gebruiken de kaart om virtuele objecten bovenop echte objecten te plaatsen en ze met elkaar te laten communiceren.
Omdat deze wearables klein zijn, kunnen ze geen grote randapparatuur zoals LIDAR of sonar gebruiken. In plaats daarvan worden kleinere infrarooddieptesensoren en naar buiten gerichte camera's gebruikt om een omgeving in kaart te brengen.
Zelfrijdende auto's
Autonome auto's hebben een klein voordeel ten opzichte van wearables. Met een veel grotere fysieke grootte kunnen auto's grotere computers bevatten en hebben ze meer randapparatuur om interne en externe metingen uit te voeren. In veel opzichten vertegenwoordigen zelfrijdende auto's de toekomst van technologie, zowel op het gebied van software als hardware.
SLAM-technologie verbetert
Met SLAM-technologie die op verschillende manieren wordt gebruikt, is het slechts een kwestie van tijd voordat het wordt geperfectioneerd. Zodra zelfrijdende auto's (en andere voertuigen) dagelijks worden gezien, weet je dat gelijktijdige lokalisatie en kaarten klaar zijn voor iedereen.
Zelfrijdende technologie verbetert elke dag. Wil meer weten? Bekijk de gedetailleerde analyse van MakeUseOf over hoe zelfrijdende auto's werken. vooruit werken terwijl je slaapt, eet of je favoriete blogs inhaalt, is een concept dat even aantrekkelijk en schijnbaar ver weg is en te futuristisch om daadwerkelijk te gebeuren. Lees verder . Mogelijk bent u ook geïnteresseerd in hoe hackers zich richten op verbonden auto's.
Afbeeldingskrediet: chesky_w / Depositphotos
Ontdek meer over: Kunstmatige intelligentie, Automotive Technology, Self-Driving Car, SLAM.
