Was ist SLAM? Wie selbstfahrende Autos wissen, wo sie sind

Werbung

Simultane Lokalisierung und Zuordnung (SLAM) ist wahrscheinlich keine Phrase, die Sie jeden Tag verwenden. Einige der neuesten coolen technologischen Wunder verwenden diesen Prozess jedoch jede Millisekunde ihrer Lebensdauer.

Was ist SLAM? Warum brauchen wir es? Und von welchen coolen Technologien sprichst du?

Vom Akronym zur abstrakten Idee

Hier ist ein schnelles Spiel für dich. Welches davon gehört nicht dazu?

• Selbstfahrende Autos
• Augmented Reality Apps
• Autonome Luft- und Unterwasserfahrzeuge
• Mixed-Reality-Wearables
• Der Roomba

Sie können denken, dass die Antwort leicht das letzte Element in der Liste ist. In gewisser Weise hast du recht. Auf andere Weise war dies ein Trickspiel, da all diese Gegenstände miteinander verbunden sind.

Die eigentliche Frage des (sehr coolen) Spiels lautet: Was macht all diese Technologien möglich? Die Antwort: gleichzeitige Lokalisierung und Zuordnung oder SLAM! wie die coolen Kids es sagen.

Im Allgemeinen ist der Zweck von SLAM-Algorithmen leicht zu iterieren. Ein Roboter verwendet die gleichzeitige Lokalisierung und Kartierung, um seine Position und Ausrichtung (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 bewegt.

Ja, das heißt, alles, was dieser Fancy-Smancy-Algorithmus macht, ist die Positionsschätzung. Eine weitere beliebte Technologie, Global Positioning System (oder GPS) Wie funktioniert GPS-Tracking und was können Sie damit verfolgen?GEOGRAPHISCHES POSITIONIERUNGS SYSTEM. Wir kennen es als die Technologie, die uns von A nach B führt. Aber GPS ist mehr als das. Es gibt eine Welt voller Möglichkeiten, und wir möchten nicht, dass Sie dies verpassen. Weiterlesen hat die Position seit dem ersten Golfkrieg der 1990er Jahre geschätzt.

Unterscheidung zwischen SLAM und GPS

Warum also ein neuer Algorithmus? GPS hat zwei inhärente Probleme. Erstens, während GPS relativ zu einer globalen Skala genau ist, verringern sowohl Präzision als auch Genauigkeit die Skalierung relativ zu einem Raum, einem Tisch oder einer kleinen Kreuzung. GPS hat eine Genauigkeit von bis zu einem Meter, aber wie hoch ist der 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 uneinheitlich. Oder in Kellern. Du hast die Idee. GPS ist ein satellitengestütztes System, das unter physischen Einschränkungen leidet.

SLAM-Algorithmen zielen daher darauf ab, ein besseres Positionsgefühl für unsere fortschrittlichsten Geräte und Maschinen zu vermitteln.

Diese Geräte verfügen bereits über eine Vielzahl von Sensoren und Peripheriegeräten. SLAM-Algorithmen verwenden die Daten von so vielen wie möglich mithilfe von Mathematik und Statistik.

Huhn oder Ei? Position oder Karte?

Mathematik und Statistik sind erforderlich, um ein komplexes Dilemma zu beantworten: Wird die Position zum Erstellen der Umgebungskarte verwendet oder wird die Umgebungskarte zur Berechnung der Position verwendet?

Gedankenexperimentierzeit! Sie werden interdimensional an einen unbekannten Ort verzogen. Was machst du als erstes? Panik? OK, beruhige dich, atme ein. Nimm noch eins. Was ist das zweite, was Sie tun? Schauen Sie sich um und versuchen Sie, etwas Vertrautes zu finden. Ein Stuhl ist zu Ihrer Linken. Eine Pflanze ist zu Ihrer Rechten. Ein Couchtisch steht vor Ihnen.

Als nächstes einmal die lähmende Angst vor "Wo zum Teufel bin ich?" lässt nach, du fängst an dich zu bewegen. Warten Sie, wie funktioniert Bewegung in dieser Dimension? Machen Sie einen Schritt nach vorne. Der Stuhl und die Pflanze werden kleiner und der Tisch wird größer. Jetzt können Sie bestätigen, dass Sie sich tatsächlich vorwärts bewegen.

Beobachtungen sind der Schlüssel zur Verbesserung der Genauigkeit der SLAM-Schätzung. Im folgenden Video erstellt der Roboter eine bessere Karte der Umgebung, wenn er sich von Marker zu Marker bewegt.

Zurück in die andere Dimension: Je mehr Sie herumlaufen, desto mehr orientieren Sie sich. Wenn Sie in alle Richtungen treten, wird bestätigt, dass die Bewegung in dieser Dimension Ihrer Heimatdimension ähnelt. Wenn Sie nach rechts gehen, wird die Pflanze größer. Hilfreicherweise sehen Sie andere Dinge, die Sie als Wahrzeichen in dieser neuen Welt identifizieren und die es Ihnen ermöglichen, sicherer zu wandern.

Dies ist im Wesentlichen der Prozess von SLAM.

Eingaben in den Prozess

Um diese Schätzungen vorzunehmen, verwenden die Algorithmen mehrere Daten, die als intern oder extern kategorisiert werden können. Für Ihr interdimensionales Transportbeispiel (geben Sie zu, Sie hatten eine lustige Reise) sind die internen Maße die Größe der Schritte und die Richtung.

Die externen Messungen erfolgen in Form von Bildern. Das Erkennen von Orientierungspunkten wie Pflanze, Stuhl und Tisch ist eine leichte Aufgabe für Augen und Gehirn. Der leistungsstärkste bekannte Prozessor - das menschliche Gehirn - kann diese Bilder aufnehmen und nicht nur Objekte identifizieren, sondern auch die Entfernung zu diesem Objekt schätzen.

Leider (oder glücklicherweise, abhängig von Ihrer Angst vor SkyNet) haben Roboter kein menschliches Gehirn als Prozessor. Maschinen basieren auf Siliziumchips mit menschlich geschriebenem Code als Gehirn.

Andere Maschinen führen externe Messungen durch. Dabei sind Peripheriegeräte wie Gyroskope oder andere Trägheitsmessgeräte (IMU) hilfreich. Roboter wie selbstfahrende Autos verwenden auch die Kilometerzähler der Radposition als interne Messung.

Äußerlich verwenden ein selbstfahrendes Auto und andere Roboter LIDAR. Ähnlich wie Radar Radiowellen verwendet, misst LIDAR reflektierte Lichtimpulse, um die Entfernung zu bestimmen. Das verwendete Licht ist typischerweise ultraviolett oder nahes Infrarot, ähnlich einem Infrarot-Tiefensensor.

LIDAR sendet Zehntausende von Impulsen pro Sekunde aus, um eine extrem hochauflösende dreidimensionale Punktwolkenkarte zu erstellen. Also, ja, wenn Tesla das nächste Mal mit dem Autopiloten herumrollt, schießt es Sie mit einem Laser. Oft.

Zusätzlich verwenden SLAM-Algorithmen statische Bilder und Computer-Vision-Techniken als externe Messung. Dies geschieht mit einer einzelnen Kamera, kann aber mit einem Stereopaar noch genauer gemacht werden.

In der Black Box

Interne Messungen aktualisieren die geschätzte Position, mit der die externe Karte aktualisiert werden kann. Externe Messungen aktualisieren die geschätzte Karte, mit der die Position aktualisiert werden kann. Sie können sich das als Inferenzproblem vorstellen, und die Idee ist, die optimale Lösung zu finden.

Ein üblicher Weg, dies zu tun, ist die Wahrscheinlichkeit. Techniken wie ein Partikelfilter zur ungefähren Position und Abbildung unter Verwendung der statistischen Bayes'schen 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 Partikel ist eine Wahrscheinlichkeit zugeordnet. Alle Partikel beginnen mit der gleichen Wahrscheinlichkeit.

Wenn Messungen durchgeführt werden, die sich gegenseitig bestätigen (z. B. Schritt vorwärts = Tabelle wird größer), erhalten die Partikel, die in ihrer Position „korrekt“ sind, schrittweise bessere Wahrscheinlichkeiten. Weit entfernte Partikel erhalten niedrigere Wahrscheinlichkeiten.

Je mehr Orientierungspunkte ein Roboter identifizieren kann, desto besser. Orientierungspunkte geben Feedback zum Algorithmus und ermöglichen genauere Berechnungen.

Aktuelle Anwendungen mit SLAM-Algorithmen

Lassen Sie uns dieses coole Stück Technologie nach coolem Stück Technologie aufteilen.

Autonome Unterwasserfahrzeuge (AUVs)

Unbemannte U-Boote können mithilfe von SLAM-Techniken autonom arbeiten. Eine interne IMU liefert Beschleunigungs- und Bewegungsdaten in drei Richtungen. Zusätzlich verwenden AUVs nach unten gerichtetes Sonar für Tiefenschätzungen. Das Side-Scan-Sonar erzeugt Bilder des Meeresbodens mit einer Reichweite von einigen hundert Metern.

Mixed Reality Wearables

Microsoft und Magic Leap haben tragbare Brillen hergestellt, die einführen Mixed Reality-Anwendungen Windows Mixed Reality: Was es ist und wie man es jetzt versuchtWindows Mixed Reality ist eine neue Funktion, mit der Sie Windows 10 in der virtuellen und erweiterten Realität verwenden können. Hier erfahren Sie, warum es spannend ist und wie Sie herausfinden können, ob Ihr PC dies unterstützt. Weiterlesen . 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 sie miteinander interagieren zu lassen.

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 abzubilden.

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 Software als auch in Bezug auf Hardware.

Die SLAM-Technologie verbessert sich

Da die SLAM-Technologie auf verschiedene Arten eingesetzt wird, ist es nur eine Frage der Zeit, bis sie perfektioniert wird. Sobald selbstfahrende Autos (und andere Fahrzeuge) täglich gesehen werden, wissen Sie, dass die gleichzeitige Lokalisierung und Zuordnung für alle Benutzer bereit ist.

Die selbstfahrende Technologie verbessert sich täglich. Möchten Sie mehr wissen? Schauen Sie sich die detaillierte Aufschlüsselung von MakeUseOf an wie selbstfahrende Autos funktionieren So funktionieren selbstfahrende Autos: Die Schrauben und Muttern hinter Googles Autonomous Car ProgramIn der Lage sein, zur Arbeit zu pendeln, während Sie schlafen, essen oder Ihren Favoriten einholen Blogs ist ein Konzept, das ebenso ansprechend und scheinbar weit entfernt und zu futuristisch ist, um es tatsächlich zu tun geschehen. Weiterlesen . Das könnte Sie auch interessieren wie Hacker auf vernetzte Autos zielen.

Bildnachweis: chesky_w /Depositphotos