Home-theater-designers
Simultane Lokalisierung und Kartierung (SLAM) ist wahrscheinlich kein Begriff, den Sie täglich verwenden. Einige der neuesten coolen technologischen Wunderwerke verwenden diesen Prozess jedoch jede Millisekunde ihrer Lebensdauer.
Was ist SLAM? Warum brauchen wir es? Und von welchen coolen Technologien sprichst du?
So fügen Sie eine Zeile in Microsoft Word hinzu
Vom Akronym zur abstrakten Idee
Hier ist ein schnelles Spiel für Sie. Welche davon gehört nicht dazu?
- Selbstfahrende Autos
- Augmented-Reality-Apps
- Autonome Luft- und Unterwasserfahrzeuge
- Mixed-Reality-Wearables
- Der Roomba
Sie denken vielleicht, dass die Antwort leicht der letzte Punkt in der Liste ist. In gewisser Weise hast du recht. Auf andere Weise war dies ein Trickspiel, da all diese Gegenstände miteinander verbunden sind.
Bildquelle: Nathan Kroll/ Flickr
Die eigentliche Frage des (sehr coolen) Spiels lautet: Was macht all diese Technologien machbar? Die Antwort: simultane Lokalisierung und Kartierung oder SLAM! wie die coolen Kids sagen.
Im Allgemeinen ist der Zweck von SLAM-Algorithmen einfach genug zu iterieren. Ein Roboter verwendet gleichzeitige Lokalisierung und Kartierung, um seine Position und Orientierung (oder Pose) im Raum zu schätzen, während er eine Karte seiner Umgebung erstellt. Auf diese Weise kann der Roboter erkennen, wo er sich befindet und wie er sich durch einen unbekannten Raum bewegen kann.
Daher ja, das heißt, dieser schicke Algorithmus macht nur die Positionsschätzung. Eine weitere beliebte Technologie, das Global Positioning System (oder GPS), schätzt die Position seit dem ersten Golfkrieg der 1990er Jahre.
Unterscheidung zwischen SLAM und GPS
Warum also die Notwendigkeit eines neuen Algorithmus? GPS hat zwei inhärente Probleme. Erstens, während GPS relativ zu einem globalen Maßstab genau ist, verringern sowohl Präzision als auch Genauigkeit den Maßstab relativ zu einem Raum, einem Tisch oder einer kleinen Kreuzung. GPS hat eine Genauigkeit von bis zu einem Meter, aber was zum Zentimeter? Millimeter?
Zweitens funktioniert GPS unter Wasser nicht gut. Mit nicht gut meine ich überhaupt nicht. Ebenso ist die Leistung in Gebäuden mit dicken Betonwänden fleckig. Oder in Kellern. Du hast die Idee. GPS ist ein satellitengestütztes System, das unter physikalischen Einschränkungen leidet.
Daher zielen SLAM-Algorithmen darauf ab, unseren fortschrittlichsten Geräten und Maschinen ein verbessertes Positionsgefühl zu geben.
Diese Geräte verfügen bereits über eine Vielzahl von Sensoren und Peripheriegeräten. SLAM-Algorithmen verwenden die Daten von so vielen davon wie möglich, indem sie Mathematik und Statistik verwenden.
Huhn oder Ei? Position oder Karte?
Mathematik und Statistik werden benötigt, um ein komplexes Dilemma zu lösen: Wird die Position verwendet, um die Umgebungskarte zu erstellen, oder wird die Umgebungskarte verwendet, um die Position zu berechnen?
Zeit für Gedankenexperimente! Ihr seid interdimensional an einen unbekannten Ort verzogen. Was machst du als erstes? Panik? Okay, beruhige dich, atme durch. Nimm noch einen. Was ist nun das Zweite, was Sie tun? Schauen Sie sich um und versuchen Sie, etwas Vertrautes zu finden. Links von Ihnen steht ein Stuhl. Eine Pflanze ist zu Ihrer Rechten. Ein Couchtisch steht vor Ihnen.
Als nächstes einmal die lähmende Angst 'Wo zum Teufel bin ich?' nachlässt, Sie beginnen sich zu bewegen. Moment, wie funktioniert Bewegung in dieser Dimension? Machen Sie einen Schritt nach vorne. Stuhl und Pflanze werden kleiner und der Tisch größer. Jetzt können Sie bestätigen, dass Sie tatsächlich vorankommen.
Warum ist mein WLAN auf meinem Handy so langsam?
Beobachtungen sind der Schlüssel zur Verbesserung der Genauigkeit der SLAM-Schätzung. Im Video unten erstellt der Roboter, während er sich von Marker zu Marker bewegt, eine bessere Karte der Umgebung.
Zurück in die andere Dimension, je mehr du herumläufst, desto mehr orientierst du dich. Wenn Sie in alle Richtungen gehen, bestätigen Sie, dass die Bewegung in dieser Dimension Ihrer Heimatdimension ähnlich ist. Wenn Sie nach rechts gehen, wird die Pflanze größer. Hilfreicherweise sehen Sie andere Dinge, die Sie als Orientierungspunkte in dieser neuen Welt identifizieren, die es Ihnen ermöglichen, selbstbewusster zu wandern.
Dies ist im Wesentlichen der Prozess von SLAM.
Eingaben zum Prozess
Um diese Schätzungen vorzunehmen, verwenden die Algorithmen mehrere Daten, die als intern oder extern kategorisiert werden können. Für Ihr interdimensionales Transportbeispiel (geben Sie es zu, Sie hatten eine lustige Reise) sind die internen Maße die Schritte und die Richtung.
Die durchgeführten Außenmessungen sind in Form von Bildern. Das Identifizieren von Orientierungspunkten wie Pflanze, Stuhl und Tisch ist eine leichte Aufgabe für die Augen und das Gehirn. Der leistungsstärkste bekannte Prozessor – das menschliche Gehirn – ist in der Lage, diese Bilder aufzunehmen und nicht nur Objekte zu identifizieren, sondern auch die Entfernung zu diesem Objekt abzuschätzen.
Leider (oder zum Glück, je nach Ihrer Angst vor SkyNet) haben Roboter kein menschliches Gehirn als Prozessor. Maschinen verlassen sich auf Siliziumchips mit von Menschen geschriebenem Code als Gehirn.
Andere Maschinen führen externe Messungen durch. Dabei sind Peripheriegeräte wie Gyroskope oder andere Inertial Measurement Units (IMU) hilfreich. Auch Roboter wie selbstfahrende Autos nutzen die Odometrie der Radposition als interne Messung.
Bildquelle: Jennifer Morrow/ Flickr
Extern nutzen ein selbstfahrendes Auto und andere Roboter LIDAR. Ähnlich wie Radar Radiowellen verwendet, misst LIDAR reflektierte Lichtimpulse, um die Entfernung zu identifizieren. Das verwendete Licht ist typischerweise ultraviolett oder nahes Infrarot, ähnlich einem Infrarot-Tiefensensor.
LIDAR sendet Zehntausende von Pulsen pro Sekunde aus, um eine extrem hochauflösende dreidimensionale Punktwolkenkarte zu erstellen. Also ja, wenn Tesla das nächste Mal auf Autopilot herumrollt, wird es Sie mit einem Laser erschießen. Oftmals.
Darüber hinaus verwenden SLAM-Algorithmen statische Bilder und Computer-Vision-Techniken als externe Messung. Dies geschieht mit einer einzigen Kamera, kann aber mit einem Stereopaar noch genauer gemacht werden.
In der Black Box
Interne Messungen aktualisieren die geschätzte Position, die zum Aktualisieren der externen Karte verwendet werden kann. Externe Messungen aktualisieren die geschätzte Karte, die zum Aktualisieren der Position verwendet werden kann. Sie können es sich als Inferenzproblem vorstellen, und die Idee besteht darin, die optimale Lösung zu finden.
Ein üblicher Weg, dies zu tun, ist die Wahrscheinlichkeit. Techniken wie ein Partikelfilter approximieren die Position und Kartierung unter Verwendung der Bayesschen statistischen Inferenz.
Ein Partikelfilter verwendet eine festgelegte Anzahl von Partikeln, die durch eine Gaußsche Verteilung verteilt werden. Jedes Partikel „sagt“ die aktuelle Position des Roboters voraus. Jedem Teilchen wird eine Wahrscheinlichkeit zugeordnet. Alle Teilchen starten mit der gleichen Wahrscheinlichkeit.
Wenn Messungen durchgeführt werden, die sich gegenseitig bestätigen (z. B. Schritt vorwärts = Tabelle wird größer), dann erhalten die Teilchen, die in ihrer Position 'richtig' sind, inkrementell bessere Wahrscheinlichkeiten. Teilchen, die weit entfernt sind, werden niedrigere Wahrscheinlichkeiten zugewiesen.
Je mehr Orientierungspunkte ein Roboter identifizieren kann, desto besser. Orientierungspunkte geben dem Algorithmus Feedback und ermöglichen genauere Berechnungen.
Aktuelle Anwendungen mit SLAM-Algorithmen
Lassen Sie uns dieses coole Stück Technologie für cooles Stück Technologie aufschlüsseln.
Autonome Unterwasserfahrzeuge (AUVs)
Unbemannte U-Boote können mit SLAM-Techniken autonom operieren. Eine interne IMU liefert Beschleunigungs- und Bewegungsdaten in drei Richtungen. Darüber hinaus verwenden AUVs ein nach unten gerichtetes Sonar für Tiefenschätzungen. Side-Scan-Sonar erstellt Bilder des Meeresbodens mit einer Reichweite von einigen hundert Metern.
Bildquelle: Florida Sea Grant/ Flickr
Mixed-Reality-Wearables
Microsoft und Magic Leap haben tragbare Brillen entwickelt, die Mixed-Reality-Anwendungen einführen. Das Schätzen der Position und das Erstellen einer Karte ist für diese Wearables von entscheidender Bedeutung. Die Geräte verwenden die Karte, um virtuelle Objekte auf realen Objekten zu platzieren und diese miteinander zu interagieren.
was bedeutet add on messenger
Da diese Wearables klein sind, können sie keine großen Peripheriegeräte wie LIDAR oder Sonar verwenden. Stattdessen werden kleinere Infrarot-Tiefensensoren und nach außen gerichtete Kameras verwendet, um eine Umgebung zu kartieren.
Selbstfahrende Autos
Autonome Autos haben gegenüber Wearables einen kleinen Vorteil. Mit einer viel größeren physischen Größe können Autos größere Computer aufnehmen und haben mehr Peripheriegeräte, um interne und externe Messungen durchzuführen. Selbstfahrende Autos repräsentieren in vielerlei Hinsicht die Zukunft der Technologie, sowohl in Bezug auf Soft- als auch Hardware.
SLAM-Technologie verbessert sich
Da die SLAM-Technologie vielfältig eingesetzt wird, ist es nur eine Frage der Zeit, bis sie perfektioniert ist. Sobald selbstfahrende Autos (und andere Fahrzeuge) täglich gesehen werden, wissen Sie, dass die gleichzeitige Lokalisierung und Kartierung für jeden einsatzbereit ist.
Die selbstfahrende Technologie verbessert sich jeden Tag. Möchten Sie mehr wissen? Sehen Sie sich die detaillierte Aufschlüsselung von MakeUseOf zur Funktionsweise selbstfahrender Autos an. Sie könnten auch daran interessiert sein, wie Hacker auf vernetzte Autos abzielen.
Bildquelle: chesky_w/ Depositphotos
Teilen Teilen Tweet Email So greifen Sie auf die integrierte Wasserwaage von Google auf Android zuWenn Sie jemals sicherstellen mussten, dass etwas zur Not eben ist, können Sie jetzt in Sekundenschnelle eine Wasserwaage auf Ihrem Telefon abrufen.
Weiter lesen Verwandte Themen- Technologie erklärt
- Kraftfahrzeugtechnik
- Künstliche Intelligenz
- Selbstfahrendes Auto
- ZUSCHLAGEN
Tom ist ein Software-Ingenieur aus Florida (ein Gruß an Florida Man) mit einer Leidenschaft für das Schreiben, College-Football (go Gators!), CrossFit und Oxford-Kommas.
Mehr von Tom JohnsenAbonniere unseren Newsletter
Abonnieren Sie unseren Newsletter für technische Tipps, Rezensionen, kostenlose E-Books und exklusive Angebote!
Klicken Sie hier, um sich zu abonnieren