Home-theater-designers
Localização e mapeamento simultâneos (SLAM) provavelmente não é uma frase que você usa todos os dias. No entanto, várias das maravilhas tecnológicas mais recentes 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?
transferir arquivos do pc para o telefone
De Sigla a Idéia Abstrata
Aqui está um jogo rápido para você. Qual destes não pertence?
- Carros autônomos
- Aplicativos de realidade aumentada
- Veículos aéreos e subaquáticos autônomos
- Vestíveis de realidade mista
- The Roomba
Você pode pensar que a resposta é facilmente o último item da lista. De certa forma, você está certo. Por outro lado, este era um jogo de truques, pois todos esses itens estão relacionados.
Crédito da imagem: Nathan Kroll / Flickr
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 propósito dos algoritmos SLAM é fácil de 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 se mover por algum espaço desconhecido.
Portanto, sim, isso quer dizer que tudo o que esse algoritmo sofisticado faz é estimar a posição. Outra tecnologia popular, o Sistema de Posicionamento Global (ou GPS), estima a posição desde a primeira Guerra do Golfo na década de 1990.
Diferenciando entre SLAM e GPS
Então, por que a necessidade de um novo algoritmo? O GPS tem dois problemas inerentes. Em primeiro lugar, embora o GPS seja preciso em relação a uma escala global, tanto a precisão quanto a exatidão diminuem a escala em relação a uma sala, uma mesa ou um pequeno cruzamento. 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 de forma alguma. Da mesma forma, o desempenho é irregular dentro de edifícios com paredes de concreto espessas. Ou em porões. Você entendeu a ideia. O GPS é um sistema baseado em satélite, que sofre de limitações físicas.
Assim, os algoritmos SLAM visam fornecer um senso de posição aprimorado para nossos dispositivos e máquinas mais avançados.
Esses dispositivos já possuem uma ladainha de sensores e periféricos. Os algoritmos SLAM utilizam os dados do maior número possível, usando matemática e estatísticas.
Frango ou ovo? Posição ou mapa?
Matemática e estatísticas 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?
Hora da experiência de pensamento! Você está deformado interdimensionalmente para um lugar desconhecido. Qual é a primeira coisa que você faz? Pânico? OK, bem, acalme-se, respire fundo. Pegue 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 centro está à sua frente.
Em seguida, uma vez, o medo paralisante de 'Onde diabos estou?' passa, você começa a se mover. Espere, como funciona o movimento nesta dimensão? Dê um passo à frente. A cadeira e a planta estão ficando menores e a mesa, maior. Agora, você pode confirmar que está de fato avançando.
ícones ao lado de nomes no facebook
As observações são essenciais para melhorar a precisão da estimativa SLAM. No vídeo abaixo, conforme o robô se move de marcador em marcador, ele constrói um mapa melhor do ambiente.
De volta à outra dimensão, quanto mais você anda, mais você se orienta. Pisar em todas as direções confirma que o movimento nesta dimensão é semelhante à dimensão de sua casa. Conforme você vai para a direita, a planta fica maior. Felizmente, você vê outras coisas que identifica como marcos neste novo mundo que permitem que você vagueie com mais confiança.
Este é essencialmente o processo do SLAM.
Entradas para o processo
Para fazer essas estimativas, os algoritmos usam diversos dados que podem ser categorizados como internos ou externos. Para o seu exemplo de transporte interdimensional (admita, você teve uma viagem divertida), as medidas internas são o tamanho dos passos e a direção.
As medições externas feitas são em forma de imagens. Identificar pontos de referência como a planta, a cadeira e a mesa é uma tarefa fácil para os olhos e o cérebro. O processador mais poderoso conhecido - o cérebro humano - é capaz de obter essas imagens e não apenas identificar objetos, mas também estimar a distância até aquele objeto.
Infelizmente (ou felizmente, dependendo do seu medo da SkyNet), os robôs não têm um cérebro humano como processador. As máquinas contam com chips de silício com código escrito por humanos como um cérebro.
Outras peças de maquinário fazem medições externas. Periféricos como giroscópios ou outra unidade de medição inercial (IMU) são úteis para fazer isso. Robôs, como carros autônomos, também usam a odometria da posição das rodas como uma medida interna.
Crédito da imagem: Jennifer Morrow / Flickr
Externamente, um carro autônomo e outros robôs usam o LIDAR. Semelhante à forma como o radar usa ondas de rádio, o LIDAR mede os pulsos de luz refletidos para identificar a distância. A luz usada é normalmente ultravioleta ou infravermelha próxima, semelhante a um sensor de profundidade infravermelho.
O LIDAR envia dezenas de milhares de pulsos por segundo para criar um mapa de nuvem de pontos tridimensional de definição extremamente alta. Então, sim, da próxima vez que o Tesla rolar no piloto automático, ele atirará 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 irão atualizar a posição estimada, que pode ser usada para atualizar o mapa externo. As medições externas irão atualizar o mapa estimado, que pode ser usado para atualizar a posição. Você pode pensar nisso como um problema de inferência e a ideia é encontrar a solução ideal.
Uma maneira comum de fazer isso é por meio da probabilidade. Técnicas como um filtro de partículas aproximam a posição e o mapeamento usando a inferência estatística Bayesiana.
Um filtro de partículas usa um determinado número de partículas espalhadas por uma distribuição gaussiana. Cada partícula 'prevê' 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 confirmam umas às outras (como passo à frente = mesa ficando maior), então as partículas que estão 'corretas' em sua posição recebem incrementalmente melhores probabilidades. As partículas que estão muito distantes são atribuídas a probabilidades mais baixas.
Quanto mais pontos de referência um robô puder identificar, melhor. Os pontos de referência fornecem feedback ao algoritmo e permitem cálculos mais precisos.
Aplicações atuais usando algoritmos SLAM
Vamos dividir essa peça de tecnologia legal por peça de tecnologia legal.
Veículos autônomos subaquáticos (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 um 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.
Crédito da imagem: Florida Sea Grant / Flickr
Wearables de realidade mista
A Microsoft e a Magic Leap produziram óculos vestíveis que apresentam aplicativos de realidade mista. Estimar a posição e criar um mapa é crucial para esses wearables. Os dispositivos usam o mapa para colocar objetos virtuais em cima de objetos reais e fazer com que eles interajam entre si.
gmail como classificar por remetente
Como esses wearables são pequenos, eles não podem usar periféricos grandes, como LIDAR ou sonar. Em vez disso, sensores infravermelhos menores de profundidade e câmeras externas são usados para mapear um ambiente.
Carros autônomos
Os carros autônomos têm uma pequena vantagem sobre os vestíveis. Com um tamanho físico muito maior, os carros podem conter 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. Assim que os carros autônomos (e outros veículos) forem vistos diariamente, você saberá que a localização e o mapeamento simultâneos estão prontos para todos usarem.
A tecnologia de direção autônoma está melhorando a cada dia. Quer saber mais? Confira a análise detalhada da MakeUseOf sobre como funcionam os carros autônomos. Você também pode estar interessado em como os hackers estão visando carros conectados.
Crédito da imagem: chesky_w / Depositphotos
Compartilhado Compartilhado Tweet O email Como acessar o nível de bolha integrado do Google no AndroidSe você já precisou ter certeza de que algo está nivelado rapidamente, agora você pode obter um nível de bolha em seu telefone em segundos.
Leia a seguir Tópicos relacionados- Tecnologia Explicada
- Tecnologia automotiva
- Inteligência artificial
- Carro autônomo
- BATER
Tom é um engenheiro de software da Flórida (grite para Florida Man) com uma paixão por escrever, futebol americano universitário (vamos Gators!), CrossFit e vírgulas Oxford.
Mais de Tom JohnsenAssine a nossa newsletter
Junte-se ao nosso boletim informativo para dicas de tecnologia, análises, e-books grátis e ofertas exclusivas!
Clique aqui para se inscrever