Home-theater-designers
Eşzamanlı yerelleştirme ve haritalama (SLAM), muhtemelen her gün kullandığınız bir ifade değildir. Bununla birlikte, en son teknoloji harikalarından birkaçı, ömürlerinin her milisaniyesinde bu işlemi kullanır.
SLAM nedir? Neden buna ihtiyacımız var? Peki bahsettiğiniz bu harika teknolojiler neler?
ücretsiz müzik indirmek için en iyi yer
Kısaltmadan Soyut Fikire
İşte size hızlı bir oyun. Bunlardan hangisine ait değildir?
- Kendi kendine giden arabalar
- Artırılmış gerçeklik uygulamaları
- Otonom hava ve su altı araçları
- Karma gerçeklik giyilebilir
- Roomba
Cevabın kolayca listedeki son madde olduğunu düşünebilirsiniz. Bir bakıma haklısın. Başka bir şekilde, tüm bu öğeler birbiriyle ilişkili olduğu için bu bir hile oyunuydu.
Resim Kredisi: Nathan Kroll / Flickr
(Çok havalı) oyunun asıl sorusu şudur: Tüm bu teknolojileri mümkün kılan nedir? Cevap: eşzamanlı yerelleştirme ve haritalama veya SLAM! havalı çocukların dediği gibi.
Genel anlamda, SLAM algoritmalarının amacı yinelemek için yeterince kolaydır. Bir robot, çevresinin bir haritasını oluştururken uzaydaki konumunu ve yönelimini (veya pozunu) tahmin etmek için eşzamanlı yerelleştirme ve haritalamayı kullanacaktır. Bu, robotun nerede olduğunu ve bilinmeyen bir alanda nasıl hareket edeceğini belirlemesini sağlar.
Bu nedenle, evet, tüm bu fantezi-smancy algoritmasının yaptığı, konumu tahmin etmektir. Bir başka popüler teknoloji olan Küresel Konumlandırma Sistemi (veya GPS), 1990'ların ilk Körfez Savaşı'ndan beri konum tahmininde bulunuyor.
SLAM ve GPS Arasındaki Fark
O zaman neden yeni bir algoritmaya ihtiyaç var? GPS'in iki doğal sorunu vardır. Birincisi, GPS küresel ölçeğe göre doğru olsa da, hem kesinlik hem de doğruluk ölçeği bir odaya, bir masaya ya da küçük bir kavşağa göre azaltır. GPS'in bir metreye kadar doğruluğu var, ama santimetre nedir? Milimetre?
İkincisi, GPS su altında iyi çalışmıyor. İyi değil derken, hiç de değil. Benzer şekilde, kalın beton duvarlara sahip binalarda performans sivilcelidir. Veya bodrumlarda. Kaptın bu işi. GPS, fiziksel sınırlamalardan muzdarip uydu tabanlı bir sistemdir.
Bu nedenle SLAM algoritmaları, en gelişmiş gadget'larımız ve makinelerimiz için gelişmiş bir konum hissi vermeyi amaçlar.
Bu cihazlarda zaten çok sayıda sensör ve çevre birimi var. SLAM algoritmaları, bazı matematik ve istatistikler kullanarak bunlardan mümkün olduğunca çok veri kullanır.
Tavuk mu Yumurta mı? Konum mu Harita mı?
Karmaşık bir ikilemi yanıtlamak için matematik ve istatistik gereklidir: konum, çevrenin haritasını oluşturmak için mi kullanılır yoksa konumu hesaplamak için çevrenin haritası mı kullanılır?
Düşünce deneyi zamanı! Tanıdık olmayan bir yere boyutlar arası olarak çarpıksınız. İlk yaptığınız şey nedir? Panik? Tamam, sakin ol, bir nefes al. Başka bir tane al. Şimdi, yaptığınız ikinci şey nedir? Etrafınıza bakın ve tanıdık bir şeyler bulmaya çalışın. Solunuzda bir sandalye var. Sağınızda bir bitki var. Önünüzde bir kahve masası var.
Sonra, bir zamanlar felç edici 'Neredeyim ben?' korkusu. yıpranır, hareket etmeye başlarsınız. Bekle, bu boyutta hareket nasıl işliyor? İleri bir adım atın. Sandalye ve bitki küçülüyor ve masa büyüyor. Şimdi, aslında ilerlediğinizi onaylayabilirsiniz.
play ps5 to ps4 paylaşabilir misin
Gözlemler, SLAM tahmininin doğruluğunu geliştirmenin anahtarıdır. Aşağıdaki videoda, robot işaretçiden işaretleyiciye geçerken, çevrenin daha iyi bir haritasını oluşturur.
Diğer boyuta geri döndükçe, etrafta ne kadar çok dolaşırsan, kendini o kadar çok yönlendirirsin. Her yöne adım atmak, bu boyuttaki hareketin ev boyutunuza benzer olduğunu doğrular. Sağa doğru gidildikçe bitki daha büyük görünür. Yararlı bir şekilde, bu yeni dünyada yer işareti olarak tanımladığınız ve daha güvenle dolaşmanıza izin veren başka şeyler de görüyorsunuz.
Bu aslında SLAM sürecidir.
Sürece Girdiler
Algoritmalar bu tahminleri yapabilmek için dahili veya harici olarak kategorize edilebilecek birkaç veri parçası kullanır. Boyutlar arası taşıma örneğiniz için (itiraf edin, eğlenceli bir yolculuk geçirdiniz), iç ölçümler adımların boyutu ve yönüdür.
Yapılan dış 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 tanımlamakla kalmaz, aynı zamanda o nesneye olan mesafeyi de tahmin edebilir.
Ne yazık ki (ya da neyse ki, SkyNet korkunuza bağlı olarak), robotların işlemci olarak insan beyni yoktur. Makineler, beyin olarak insan yazılı koduna sahip silikon çiplere güveniyor.
Diğer makine parçaları harici ölçümler yapar. Jiroskoplar veya diğer atalet ölçüm birimleri (IMU) gibi çevre birimleri bunu yaparken yardımcı olur. Kendi kendini süren arabalar gibi robotlar da dahili bir ölçüm olarak tekerlek konumunun kilometre sayacını kullanır.
İmaj Kredisi: Jennifer Morrow/ Flickr
Harici olarak, kendi kendini süren bir araba ve diğer robotlar LIDAR'ı kullanır. Radarın radyo dalgalarını nasıl kullandığına benzer şekilde, LIDAR mesafeyi belirlemek için yansıyan ışık darbelerini ölçer. Kullanılan ışık tipik olarak bir kızılötesi derinlik sensörüne benzer şekilde ultraviyole veya yakın kızılötesidir.
LIDAR, son derece yüksek tanımlı üç boyutlu bir nokta bulutu haritası oluşturmak için saniyede on binlerce darbe gönderir. Yani evet, bir dahaki sefere Tesla otomatik pilotta döndüğünde sizi bir lazerle vuracak. Birçok kez.
Ek olarak, SLAM algoritmaları, harici bir ölçüm olarak statik görüntüler ve bilgisayarla görme tekniklerini kullanır. Bu, tek bir kamera ile yapılır, ancak bir stereo çifti ile daha da hassas hale getirilebilir.
Kara Kutunun İçinde
Dahili ölçümler, harici haritayı güncellemek için kullanılabilecek tahmini konumu güncelleyecektir. 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 gibi teknikler, Bayes istatistiksel çıkarımı kullanarak yaklaşık konum ve haritalama.
Bir parçacık filtresi, bir Gauss dağılımı tarafından yayılan belirli sayıda parçacık kullanır. Her 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), konumlarında 'doğru' olan parçacıklara aşamalı olarak daha iyi olasılıklar verilir. Uzaktaki parçacıklara daha düşük olasılıklar atanır.
Bir robot ne kadar çok yer işareti tanımlayabilirse o kadar iyidir. Yer işaretleri, algoritmaya geri bildirim sağlar ve daha kesin hesaplamalara izin verir.
SLAM Algoritmalarını Kullanan Güncel Uygulamalar
Haydi bu havalı teknoloji parçasını havalı bir teknoloji parçasıyla parçalayalım.
Otonom Sualtı Araçları (AUV)
İnsansız denizaltılar, SLAM tekniklerini kullanarak otonom olarak çalışabilir. Dahili bir IMU, üç yönde hızlanma ve hareket verileri sağlar. Ek olarak, AUV'ler derinlik tahminleri için alta bakan sonar kullanır. Yandan taramalı sonar, deniz tabanının birkaç yüz metre menzilli görüntülerini oluşturur.
Resim Kredisi: Florida Deniz Hibesi/ Flickr
Karma Gerçeklik Giyilebilir Ürünler
Microsoft ve Magic Leap, Karma Gerçeklik uygulamalarını tanıtan giyilebilir gözlükler üretti. Bu giyilebilir cihazlar için konumu tahmin etmek ve bir harita oluşturmak çok önemlidir. Cihazlar, sanal nesneleri gerçek nesnelerin üzerine yerleştirmek ve birbirleriyle etkileşime girmelerini sağlamak için haritayı kullanır.
roku'da abc nbc ve cbs alabilir misin?
Bu giyilebilir cihazlar küçük oldukları için LIDAR veya sonar gibi büyük çevre birimlerini kullanamazlar. Bunun yerine, bir ortamı haritalamak için daha küçük kızılötesi derinlik sensörleri ve dışa bakan kameralar kullanılır.
Sürücüsüz Arabalar
Otonom otomobillerin giyilebilir cihazlara göre biraz avantajı var. Çok daha büyük bir fiziksel boyutla, arabalar daha büyük bilgisayarları tutabilir ve dahili ve harici ölçümler yapmak için daha fazla çevre birimine sahip olabilir. Birçok yönden sürücüsüz arabalar, hem yazılım hem de donanım açısından teknolojinin geleceğini temsil ediyor.
SLAM Teknolojisi Gelişiyor
SLAM teknolojisinin birçok farklı şekilde kullanılmasıyla, mükemmelleştirilmesi sadece bir zaman meselesidir. Kendi kendine giden arabalar (ve diğer araçlar) günlük olarak görüldüğünde, eş zamanlı yerelleştirme ve haritalamanın herkesin kullanımına hazır olduğunu bileceksiniz.
Kendi kendine sürüş teknolojisi her geçen gün gelişiyor. Daha fazlasını öğrenmek ister misiniz? Kendi kendini süren arabaların nasıl çalıştığına dair MakeUseOf'un ayrıntılı dökümüne göz atın. Bilgisayar korsanlarının bağlantılı arabaları nasıl hedeflediği de ilginizi çekebilir.
Resim Kredisi: chesky_w/ Depositphotos
Paylaş Paylaş Cıvıldamak E-posta Android'de Google'ın Yerleşik Kabarcık Düzeyine Nasıl ErişilirBir şeyin düz olduğundan emin olmanız gerekiyorsa, artık telefonunuzda saniyeler içinde bir baloncuk seviyesi elde edebilirsiniz.
Sonrakini Oku İlgili konular- Teknoloji Açıklaması
- Otomotiv Teknolojisi
- Yapay zeka
- Kendi Kendine Sürüş Araba
- SLAM
Tom, yazmaya, kolej futboluna (Gators'a git!), CrossFit'e ve Oxford virgüllerine tutkuyla bağlı Florida'dan (Florida Adamına sesleniyorum) bir Yazılım Mühendisidir.
Tom Johnsen'dan Daha FazlaHaber bültenimize abone ol
Teknik ipuçları, incelemeler, ücretsiz e-kitaplar ve özel fırsatlar için bültenimize katılın!
Abone olmak için buraya tıklayın