O que é SLAM? Como os carros autônomos sabem onde estão

Propaganda

Localização e mapeamento simultâneos (SLAM) provavelmente não são uma frase que você usa todos os dias. No entanto, várias das mais recentes maravilhas tecnológicas interessantes usam esse processo a cada milissegundo de sua vida útil.

O que é SLAM? Por que precisamos disso? E quais são essas tecnologias legais de que você fala?

Da sigla para Abstract Idea

Aqui está um jogo rápido para você. Qual desses não pertence?

• Carros autônomos
• Aplicativos de realidade aumentada
• Veículos aéreos e subaquáticos autônomos
• Wearables de realidade mista
• O Roomba

Você pode achar que a resposta é facilmente o último item da lista. De certa forma, você está certo. De outra maneira, este foi um jogo de truque, pois todos esses itens estão relacionados.

A verdadeira questão do jogo (muito legal) é esta: O que torna todas essas tecnologias viáveis? A resposta: localização e mapeamento simultâneos, ou SLAM! como as crianças legais dizem.

Em um sentido geral, o objetivo dos algoritmos SLAM é fácil o suficiente para iterar. Um robô usará localização e mapeamento simultâneos para estimar sua posição e orientação (ou pose) no espaço enquanto cria um mapa de seu ambiente. Isso permite que o robô identifique onde está e como percorrer algum espaço desconhecido.

Portanto, sim, isto é, tudo o que esse algoritmo de fantasia-smancia faz é estimar a posição. Outra tecnologia popular, Sistema de Posicionamento Global (ou GPS) Como funciona o rastreamento por GPS e o que você pode rastrear com ele?GPS. Nós a conhecemos como a tecnologia que nos guia de A a B. Mas o GPS é mais do que isso. Existe um mundo de possibilidades, e não queremos que você perca. consulte Mais informação estima a posição desde a primeira Guerra do Golfo dos anos 90.

Diferenciando entre SLAM e GPS

Então, por que a necessidade de um novo algoritmo? O GPS tem dois problemas inerentes. Primeiro, enquanto o GPS é preciso em relação a uma escala global, tanto a precisão quanto a precisão diminuem a escala em relação a uma sala, uma mesa ou uma pequena interseção. O GPS tem precisão de até um metro, mas qual é o centímetro? Milímetro?

Em segundo lugar, o GPS não funciona bem debaixo d'água. Por não bem, quero dizer que não. Da mesma forma, o desempenho é irregular dentro de edifícios com paredes de concreto espesso. Ou nos porões. Você entendeu a ideia. GPS é um sistema baseado em satélite, que sofre de limitações físicas.

Assim, os algoritmos SLAM visam proporcionar uma sensação de posição aprimorada para nossos gadgets e máquinas mais avançados.

Esses dispositivos já possuem uma série de sensores e periféricos. Os algoritmos SLAM utilizam os dados do maior número possível, usando matemática e estatística.

Frango ou ovo? Posição ou mapa?

Matemática e estatística são necessárias para responder a um dilema complexo: a posição é usada para criar o mapa dos arredores ou o mapa dos arredores é usado para calcular a posição?

Tempo do experimento! Você é distorcido interdimensionalmente para um lugar desconhecido. Qual é a primeira coisa que você faz? Pânico? OK, acalme-se, respire. Tome outro. Agora, qual é a segunda coisa que você faz? Olhe em volta e tente encontrar algo familiar. Uma cadeira está à sua esquerda. Uma planta está à sua direita. Uma mesa de café está na sua frente.

Em seguida, uma vez o medo paralisante de "Onde diabos eu estou?" desaparece, você começa a se mover. Espere, como o movimento funciona nesta dimensão? Dê um passo à frente. A cadeira e a planta estão ficando menores e a mesa está ficando maior. Agora, você pode confirmar que está de fato avançando.

As observações são fundamentais para melhorar a precisão da estimativa SLAM. No vídeo abaixo, à medida que o robô se move de marcador em marcador, ele cria um mapa melhor do ambiente.

De volta à outra dimensão, quanto mais você anda, mais se orienta. Pisar em todas as direções confirma que o movimento nesta dimensão é semelhante à sua dimensão doméstica. Quando você vai para a direita, a planta fica maior. Felizmente, você vê outras coisas que você identifica como pontos de referência neste novo mundo que permitem vagar com mais confiança.

Este é essencialmente o processo do SLAM.

Entradas para o processo

Para fazer essas estimativas, os algoritmos usam várias partes de dados que podem ser categorizadas como internas ou externas. Para o seu exemplo de transporte interdimensional (admita, você fez uma viagem divertida), as medidas internas são o tamanho dos passos e da direção.

As medidas externas feitas são na forma de imagens. Identificar pontos de referência como planta, cadeira e mesa é uma tarefa fácil para os olhos e o cérebro. O processador mais poderoso conhecido - o cérebro humano - é capaz de capturar essas imagens e não apenas identificar objetos, mas também estimar a distância a esse objeto.

Infelizmente (ou felizmente, dependendo do seu medo da SkyNet), os robôs não têm um cérebro humano como processador. Máquinas dependem de chips de silício com código humano escrito como cérebro.

Outras peças de máquinas fazem medições externas. Periféricos como giroscópios ou outra unidade de medida inercial (IMU) são úteis para fazer isso. Robôs como carros autônomos também usam a odometria da posição da roda como uma medida interna.

Externamente, um carro autônomo e outros robôs usam o LIDAR. Semelhante ao modo como o radar usa ondas de rádio, o LIDAR mede os pulsos de luz refletidos para identificar a distância. A luz usada é tipicamente ultravioleta ou próxima ao infravermelho, semelhante a um sensor de profundidade infravermelho.

O LIDAR envia dezenas de milhares de pulsos por segundo para criar um mapa de nuvens de pontos tridimensionais de alta definição. Então, sim, da próxima vez que Tesla rodar no piloto automático, ele disparará em você com um laser. Muitas vezes.

Além disso, os algoritmos SLAM usam imagens estáticas e técnicas de visão computacional como uma medida externa. Isso é feito com uma única câmera, mas pode ser ainda mais preciso com um par estéreo.

Dentro da caixa preta

As medições internas atualizarão a posição estimada, que pode ser usada para atualizar o mapa externo. As medições externas atualizarão o mapa estimado, que pode ser usado para atualizar a posição. Você pode pensar nisso como um problema de inferência, e a idéia é encontrar a solução ideal.

Uma maneira comum de fazer isso é através da probabilidade. Técnicas como um filtro de partículas aproximam a posição e o mapeamento usando inferência estatística bayesiana.

Um filtro de partículas usa um número definido de partículas espalhadas por uma distribuição gaussiana. Cada partícula "prediz" a posição atual do robô. Uma probabilidade é atribuída a cada partícula. Todas as partículas começam com a mesma probabilidade.

Quando são feitas medições que se confirmam (como passo adiante = aumento da tabela), as partículas que estão “corretas” em sua posição recebem incrementalmente probabilidades melhores. Partículas que estão longe são atribuídas probabilidades mais baixas.

Quanto mais marcos um robô puder identificar, melhor. Os pontos de referência fornecem feedback ao algoritmo e permitem cálculos mais precisos.

Aplicativos atuais usando algoritmos SLAM

Vamos dividir isso, parte legal da tecnologia por parte legal da tecnologia.

Veículos Subaquáticos Autônomos (AUVs)

Submarinos não tripulados podem operar de forma autônoma usando técnicas SLAM. Uma IMU interna fornece dados de aceleração e movimento em três direções. Além disso, os AUVs usam o sonar voltado para o fundo para estimativas de profundidade. O sonar de varredura lateral cria imagens do fundo do mar, com um alcance de algumas centenas de metros.

Acessórios de realidade mista

A Microsoft e a Magic Leap produziram óculos que introduzem Aplicações de realidade mista Realidade mista do Windows: o que é e como experimentá-lo agoraO Windows Mixed Reality é um novo recurso que permite usar o Windows 10 em realidade virtual e aumentada. Eis por que é empolgante e como descobrir se o seu PC é compatível. consulte Mais informação . Estimar a posição e criar um mapa é crucial para esses dispositivos vestíveis. Os dispositivos usam o mapa para colocar objetos virtuais em cima de objetos reais e fazer com que eles interajam.

Como esses dispositivos vestíveis são pequenos, eles não podem usar periféricos grandes, como LIDAR ou sonar. Em vez disso, sensores infravermelhos menores e câmeras externas são usadas para mapear um ambiente.

Carros autônomos

Carros autônomos têm um pouco de vantagem sobre os wearables. Com um tamanho físico muito maior, os carros podem acomodar computadores maiores e ter mais periféricos para fazer medições internas e externas. De muitas maneiras, os carros autônomos representam o futuro da tecnologia, tanto em termos de software quanto de hardware.

A tecnologia SLAM está melhorando

Com a tecnologia SLAM sendo usada de várias maneiras diferentes, é apenas uma questão de tempo até que seja aperfeiçoada. Quando os carros autônomos (e outros veículos) forem vistos diariamente, você saberá que a localização e o mapeamento simultâneos estão prontos para serem usados ​​por todos.

A tecnologia autônoma está melhorando a cada dia. Quer saber mais? Confira a análise detalhada de MakeUseOf de como os carros autônomos funcionam Como funcionam os carros autônomos: as porcas e os parafusos por trás do programa de carros autônomos do GoogleSer capaz de ir e vir para o trabalho enquanto dorme, come ou atualiza seu favorito blogs é um conceito igualmente atraente e aparentemente distante e futurista demais para realmente acontecer. consulte Mais informação . Você também pode estar interessado em como os hackers estão mirando carros conectados.

Crédito de imagem: chesky_w /Depositphotos