Cos'è lo SLAM? In che modo le auto a guida autonoma sanno dove sono
La localizzazione e la mappatura simultanee (SLAM) non sono probabilmente una frase che usi ogni giorno. Tuttavia, molte delle ultime meraviglie tecnologiche utilizzano questo processo ogni millisecondo della loro durata.
Cos'è lo SLAM? Perchè ne abbiamo bisogno? E quali sono queste fantastiche tecnologie di cui parli?
Dall'acronimo all'idea astratta
Ecco un gioco veloce per te. Quale di questi non appartiene?
- Auto a guida autonoma
- App di realtà aumentata
- Veicoli aerei e subacquei autonomi
- Realtà mista indossabile
- Il Roomba
Potresti pensare che la risposta sia facilmente l'ultima voce nella lista. In un certo senso, hai ragione. In un altro modo, questo è stato un gioco di trucchi in quanto tutti questi elementi sono correlati.
La vera domanda del (molto figo) gioco è questa: cosa rende fattibili tutte queste tecnologie? La risposta: localizzazione e mappatura simultanee o SLAM! come dicono i ragazzi fantastici.
In senso generale, lo scopo degli algoritmi SLAM è abbastanza semplice da iterare. Un robot utilizzerà localizzazione e mappatura simultanee per stimare la sua posizione e orientamento (o posa) nello spazio mentre crea una mappa del suo ambiente. Ciò consente al robot di identificare dove si trova e come muoversi attraverso uno spazio sconosciuto.
Pertanto, sì, vale a dire che tutto questo algoritmo di fantasia e fantasia è la posizione stimata. Un'altra tecnologia popolare, il Global Positioning System (o GPS) ha stimato la posizione sin dalla prima Guerra del Golfo degli anni '90.
Differenziazione tra SLAM e GPS
Allora, perché la necessità di un nuovo algoritmo? Il GPS ha due problemi inerenti. Innanzitutto, mentre il GPS è preciso rispetto a una scala globale, sia la precisione che l'accuratezza diminuiscono la scala rispetto a una stanza, a una tabella oa una piccola intersezione. Il GPS ha una precisione fino a un metro, ma quale centimetro? Millimetro?
In secondo luogo, il GPS non funziona bene sott'acqua. Per non bene intendo per niente. Allo stesso modo, le prestazioni sono imprevedibili all'interno di edifici con spessi muri di cemento. O negli scantinati. Hai un'idea. Il GPS è un sistema basato su satellite, che soffre di limitazioni fisiche.
Gli algoritmi SLAM mirano quindi a migliorare il senso di posizione dei nostri gadget e macchine più avanzati.
Questi dispositivi hanno già una litania di sensori e periferiche. Gli algoritmi SLAM utilizzano i dati di quanti più di questi sono possibili utilizzando alcuni calcoli matematici e statistiche.
Pollo o uovo? Posizione o mappa?
La matematica e le statistiche sono necessarie per rispondere a un dilemma complesso: la posizione utilizzata per creare la mappa dei dintorni o la mappa dei dintorni utilizzata per calcolare la posizione?
Tempo di esperimento di pensiero! Sei interdimensionalmente deformato in un luogo sconosciuto. Qual è la prima cosa che fai? Panico? OK, ben calmo, fai un respiro. Prendi un altro. Ora, qual è la seconda cosa che fai? Guardati intorno e cerca di trovare qualcosa di familiare. Una sedia è alla tua sinistra. Una pianta è alla tua destra. Un tavolino da caffè è di fronte a voi.
Quindi, una volta che la paura paralizzante di "Dove diavolo sono?" Svanisce, inizi a muoverti. Aspetta, come funziona il movimento in questa dimensione? Fai un passo avanti. La sedia e la pianta si stanno riducendo e il tavolo si sta ingrandendo. Ora, puoi confermare che stai effettivamente andando avanti.
Le osservazioni sono fondamentali per migliorare l'accuratezza della stima SLAM. Nel video qui sotto, mentre il robot si sposta da un indicatore all'altro, crea una mappa migliore dell'ambiente.
Tornando all'altra dimensione, più si cammina e più si orienta. Fare un passo in tutte le direzioni conferma che il movimento in questa dimensione è simile alla tua dimensione domestica. Mentre andate a destra, la pianta appare più grande. Con aiuto, puoi vedere altre cose che ti identificano come punti di riferimento in questo nuovo mondo che ti permettono di vagare più confidenzialmente.
Questo è essenzialmente il processo di SLAM.
Input al processo
Per fare queste stime, gli algoritmi utilizzano diversi pezzi di dati che possono essere classificati come interni o esterni. Per il tuo esempio di trasporto inter-dimensionale (ammettilo, hai fatto un viaggio divertente), le misure interne sono la dimensione dei passi e della direzione.
Le misure esterne fatte sono sotto forma di immagini. Identificare punti di riferimento come la pianta, la sedia e il tavolo è un compito facile per gli occhi e il cervello. Il processore più potente conosciuto, il cervello umano, è in grado di prendere queste immagini e non solo identificare gli oggetti, ma anche stimare la distanza da quell'oggetto.
Sfortunatamente (o fortunatamente, a seconda della tua paura di SkyNet), i robot non hanno un cervello umano come processore. Le macchine si basano su chip di silicio con codice scritto umano come un cervello.
Altri pezzi di macchinari effettuano misurazioni esterne. Periferiche come giroscopi o altre unità di misura inerziale (IMU) sono utili per farlo. Anche i robot come le auto a guida automatica utilizzano l'odometria della posizione della ruota come misura interna.
Esternamente, un'auto a guida autonoma e altri robot utilizzano LIDAR. Simile al modo in cui il radar utilizza le onde radio, le misure LIDAR riflettono gli impulsi luminosi per identificare la distanza. La luce utilizzata è in genere ultravioletta o quasi infrarossa, simile a un sensore di profondità a infrarossi.
LIDAR invia decine di migliaia di impulsi al secondo per creare una mappa di nuvole di punti tridimensionali ad altissima definizione. Quindi, sì, la prossima volta che Tesla gira sul pilota automatico, ti spara con un laser. Molte volte.
Inoltre, gli algoritmi SLAM utilizzano le immagini statiche e le tecniche di visione artificiale come misura esterna. Questo viene fatto con una singola telecamera, ma può essere reso ancora più accurato con una coppia stereo.
All'interno della scatola nera
Le misurazioni interne aggiorneranno la posizione stimata, che può essere utilizzata per aggiornare la mappa esterna. Le misurazioni esterne aggiorn
eranno la mappa stimata, che può essere utilizzata per aggiornare la posizione. Lo si può considerare come un problema di inferenza e l'idea è trovare la soluzione ottimale.
Un modo comune per farlo è attraverso la probabilità. Tecniche come un filtro particellare approssimano la posizione e la mappatura usando l'inferenza statistica bayesiana.
Un filtro particellare usa un numero prestabilito di particelle distribuite da una distribuzione gaussiana. Ogni particella "predice" la posizione corrente del robot. Una probabilità è assegnata a ciascuna particella. Tutte le particelle iniziano con la stessa probabilità.
Quando si effettuano misure che si confermano a vicenda (come il passo avanti = la tabella si ingrandisce), le particelle che sono "corrette" nella loro posizione ottengono incrementalmente migliori probabilità. Le particelle che sono lontane sono assegnate a probabilità inferiori.
Più punti di riferimento un robot è in grado di identificare, meglio è. I punti di riferimento forniscono feedback all'algoritmo e consentono calcoli più precisi.
Applicazioni correnti che utilizzano algoritmi SLAM
Facciamo un break down, un pezzo di tecnologia interessante grazie a un bel pezzo di tecnologia.
Autonomous Underwater Vehicles (AUVs)
I sottomarini senza equipaggio possono operare autonomamente usando le tecniche SLAM. Un IMU interno fornisce dati di accelerazione e movimento in tre direzioni. Inoltre, gli AUV utilizzano il sonar di fondo per le stime di profondità. Il sonar a scansione laterale crea immagini del fondo marino, con un raggio di un paio di centinaia di metri.
Wearables di realtà mista
Microsoft e Magic Leap hanno prodotto occhiali indossabili che introducono applicazioni Mixed Reality . Stimare la posizione e creare una mappa è fondamentale per questi indossabili. I dispositivi utilizzano la mappa per posizionare oggetti virtuali sopra a oggetti reali e farli interagire tra loro.
Poiché questi dispositivi indossabili sono piccoli, non possono utilizzare periferiche di grandi dimensioni come LIDAR o sonar. Invece, vengono utilizzati sensori di profondità a infrarossi più piccoli e telecamere rivolte verso l'esterno per mappare un ambiente.
Auto a guida autonoma
Le auto autonome hanno un piccolo vantaggio rispetto ai dispositivi indossabili. Con una dimensione fisica molto più grande, le macchine possono contenere computer più grandi e avere più periferiche per effettuare misurazioni interne ed esterne. In molti modi, le auto a guida autonoma rappresentano il futuro della tecnologia, sia in termini di software che di hardware.
La tecnologia SLAM sta migliorando
Con la tecnologia SLAM utilizzata in diversi modi, è solo questione di tempo prima che venga perfezionata. Una volta che le auto che si guidano da soli (e altri veicoli) sono viste quotidianamente, saprai che la localizzazione e la mappatura simultanee sono pronte per essere utilizzate da tutti.
La tecnologia di guida autonoma sta migliorando ogni giorno. Voglio sapere di più? Scopri la dettagliata descrizione di MakeUseOf di come funzionano le auto che guidano .
Immagine di credito: chesky_w / Depositphotos
Leggi l'articolo completo: Cos'è lo SLAM? In che modo le auto a guida autonoma sanno dove sono
Fonte: Utilizzare
