Qu'est-ce que le SLAM? Comment les voitures autonomes savent où elles sont
Publicité
La localisation et la cartographie simultanées (SLAM) ne sont probablement pas des expressions que vous utilisez tous les jours. Cependant, plusieurs des dernières merveilles technologiques cools utilisent ce processus toutes les millisecondes de leur durée de vie.
Qu'est ce que le SLAM? Pourquoi en avons-nous besoin? Et quelles sont ces technologies cool dont vous parlez?
De l'acronyme à l'idée abstraite
Voici un jeu rapide pour vous. Lequel de ces n'appartient pas?
- Voitures autonomes
- Applications de réalité augmentée
- Véhicules aériens et sous-marins autonomes
- Wearables en réalité mixte
- Le Roomba
Vous pensez peut-être que la réponse est facilement le dernier élément de la liste. D'une certaine manière, vous avez raison. D'une autre manière, c'était un jeu de passe-passe puisque tous ces éléments sont liés.
La vraie question du jeu (très cool) est la suivante: pourquoi toutes ces technologies sont-elles réalisables? La réponse: localisation et mappage simultanés, ou SLAM! comme le disent les enfants cool.
De manière générale, l'objectif des algorithmes SLAM est assez facile à itérer. Un robot utilisera la cartographie et la localisation simultanées pour estimer sa position et son orientation (ou sa pose) dans l'espace tout en créant une carte de son environnement. Cela permet au robot d'identifier où il se trouve et comment se déplacer dans un espace inconnu.
Donc, oui, c'est-à-dire que tout cet algorithme fancy-smancy ne fait qu'estimer la position. Une autre technologie populaire, le système de positionnement global (ou GPS) Comment fonctionne le suivi GPS et que pouvez-vous suivre avec? Comment fonctionne le suivi GPS et que pouvez-vous suivre avec? GPS. Nous le connaissons comme la technologie qui nous guide de A à B. Mais le GPS est plus que cela. Il y a un monde de possibilités, et nous ne voulons pas que vous manquiez. Read More a estimé sa position depuis la première guerre du Golfe des années 1990.
Différenciation entre SLAM et GPS
Alors pourquoi avoir besoin d'un nouvel algorithme? Le GPS a deux problèmes inhérents. Premièrement, bien que le GPS soit précis par rapport à une échelle globale, précision et exactitude diminuent l’échelle par rapport à une pièce, une table ou une petite intersection. Le GPS a une précision jusqu’à un mètre, mais c’est quoi le centimètre? Millimètre?
Deuxièmement, le GPS ne fonctionne pas bien sous l'eau. Par pas bien je veux dire pas du tout. De même, les performances sont inégales à l’intérieur des bâtiments avec d’épais murs de béton. Ou dans les sous-sols. Vous avez eu l'idée. Le GPS est un système par satellite qui souffre de limitations physiques.
Les algorithmes SLAM visent donc à améliorer le sens de la position de nos gadgets et machines les plus avancés.
Ces appareils ont déjà une litanie de capteurs et de périphériques. Les algorithmes SLAM utilisent les données du plus grand nombre possible en utilisant des calculs et des statistiques.
Poulet ou oeuf? Position ou carte?
Des calculs mathématiques et statistiques sont nécessaires pour répondre à un dilemme complexe: la position est-elle utilisée pour créer la carte des environs ou la carte des environs est-elle utilisée pour calculer la position?
Pensée temps d'expérimentation! Vous êtes inter-dimensionnellement déformé vers un lieu inconnu. Quelle est la première chose que vous faites? Panique? OK, calmez-vous, prenez une respiration. Prends un autre. Maintenant, quelle est la deuxième chose que vous faites? Regardez autour de vous et essayez de trouver quelque chose de familier. Une chaise est à votre gauche. Une plante est à votre droite. Une table basse est devant vous.
Ensuite, une fois que la peur paralysante de «Où diable suis-je?» Disparaît, vous commencez à bouger. Attendez, comment fonctionne le mouvement dans cette dimension? Faites un pas en avant. La chaise et l'usine sont de plus en plus petites et la table de plus en plus grande. Maintenant, vous pouvez confirmer que vous avancez réellement.
Les observations sont essentielles pour améliorer la précision de l’estimation SLAM. Dans la vidéo ci-dessous, lorsque le robot se déplace d'un marqueur à l'autre, il crée une meilleure carte de l'environnement.
De retour à l’autre dimension, plus vous vous promenez, plus vous vous orientez. Marcher dans toutes les directions confirme que le mouvement dans cette dimension est similaire à la dimension de votre maison. A droite, l’usine s’agrandit. De manière utile, vous voyez d’autres choses que vous identifiez comme des points de repère dans ce nouveau monde qui vous permettent d’errer avec plus de confiance.
Ceci est essentiellement le processus de SLAM.
Entrées dans le processus
Afin de faire ces estimations, les algorithmes utilisent plusieurs données pouvant être classées comme internes ou externes. Pour votre exemple de transport inter-dimensionnel (admettez-le, vous avez fait un voyage amusant), les mesures internes sont la taille des marches et la direction.
Les mesures externes effectuées sont sous forme d'images. Identifier les points de repère tels que la plante, la chaise et la table est une tâche facile pour les yeux et le cerveau. Le processeur le plus puissant connu - le cerveau humain - est capable de prendre ces images et non seulement d'identifier des objets, mais également d'estimer la distance qui les sépare de cet objet.
Malheureusement (ou heureusement, selon votre peur de SkyNet), les robots n’ont pas de cerveau humain en tant que processeur. Les machines reposent sur des puces de silicium dont le code est un code humain.
D'autres machines effectuent des mesures externes. Des périphériques tels que des gyroscopes ou une autre unité de mesure inertielle (IMU) sont utiles à cet effet. Les robots tels que les voitures autonomes utilisent également l'odométrie de la position des roues comme mesure interne.
À l’extérieur, une voiture autonome et d’autres robots utilisent le LIDAR. Semblable à la manière dont le radar utilise les ondes radio, le LIDAR mesure les impulsions lumineuses réfléchies pour identifier la distance. La lumière utilisée est généralement ultraviolette ou proche infrarouge, semblable à un capteur de profondeur infrarouge.
LIDAR envoie des dizaines de milliers d'impulsions par seconde afin de créer une carte de nuages de points tridimensionnelle à très haute définition. Donc, oui, la prochaine fois que Tesla roulera en pilote automatique, il vous tirera au laser. Beaucoup de temps.
De plus, les algorithmes SLAM utilisent des images statiques et des techniques de vision par ordinateur comme mesure externe. Cela se fait avec une seule caméra, mais peut être encore plus précis avec une paire stéréo.
À l'intérieur de la boîte noire
Les mesures internes mettront à jour la position estimée, ce qui peut être utilisé pour mettre à jour la carte externe. Les mesures externes mettront à jour la carte estimée, qui peut être utilisée pour mettre à jour la position. Vous pouvez considérer cela comme un problème d'inférence, et l'idée est de trouver la solution optimale.
Une façon courante de faire cela est par la probabilité. Des techniques telles que la position approximative du filtre à particules et la cartographie utilisant l'inférence statistique bayésienne.
Un filtre à particules utilise un nombre défini de particules réparties selon une distribution gaussienne. Chaque particule "prédit" la position actuelle du robot. Une probabilité est attribuée à chaque particule. Toutes les particules commencent avec la même probabilité.
Lorsque des mesures qui se confirment mutuellement (telles que pas en avant = augmentation de la taille du tableau), les particules dont la position est «correcte» ont progressivement de meilleures probabilités. Les probabilités les plus faibles sont attribuées aux particules éloignées.
Plus un robot peut identifier de points de repère, mieux c'est. Les points de repère fournissent des informations sur l'algorithme et permettent des calculs plus précis.
Applications actuelles utilisant des algorithmes SLAM
Décomposons ce morceau de technologie cool par morceau de technologie cool.
Véhicules sous-marins autonomes (AUV)
Les sous-marins non habités peuvent opérer de manière autonome en utilisant les techniques SLAM. Une unité IMU interne fournit des données d'accélération et de mouvement dans trois directions. De plus, les AUV utilisent un sonar orienté vers le bas pour les estimations de profondeur. Le sonar à balayage latéral crée des images du fond marin, avec une portée de quelques centaines de mètres.
Wearables en réalité mixte
Microsoft et Magic Leap ont produit des lunettes portables qui présentent les applications de réalité mixte. Réalité mixte Windows: qu'est-ce que c'est et comment l'essayer maintenant? Réalité mixte Windows: ce que c'est et comment l'essayer maintenant Windows 10 en réalité virtuelle et augmentée. Voici pourquoi c'est excitant et comment savoir si votre PC le supporte. Lire la suite . L'estimation de la position et la création d'une carte sont cruciales pour ces appareils portables. Les périphériques utilisent la carte pour placer des objets virtuels sur des objets réels et les faire interagir.
Étant donné que ces dispositifs portables sont petits, ils ne peuvent pas utiliser de grands périphériques tels que le LIDAR ou le sonar. Au lieu de cela, des capteurs de profondeur infrarouges plus petits et des caméras orientées vers l'extérieur sont utilisés pour cartographier un environnement.
Voitures autonomes
Les voitures autonomes ont un petit avantage sur les wearables. Avec une taille physique beaucoup plus grande, les voitures peuvent contenir des ordinateurs plus gros et avoir plus de périphériques pour effectuer des mesures internes et externes. À bien des égards, les voitures autonomes représentent l'avenir de la technologie, à la fois en termes de logiciel et de matériel.
La technologie SLAM s'améliore
Étant donné que la technologie SLAM est utilisée de différentes façons, sa perfection n’est qu’une question de temps. Une fois que les voitures autonomes (et les autres véhicules) sont vues quotidiennement, vous saurez que la localisation et la cartographie simultanées sont prêtes à être utilisées par tous.
La technologie de conduite autonome s'améliore chaque jour. Veut en savoir plus? Découvrez le détail de MakeUseOf sur le fonctionnement des voitures autonomes. Fonctionnement des voitures autonomes: le système de voiture autonome de Google Fonctionnement de la voiture autonome: le système de gestion de voiture autonome de Google Aller au travail en dormant, en mangeant ou en regardant vos blogs préférés est un concept tout aussi attrayant, apparemment lointain et trop futuriste pour se concrétiser. Lire la suite . Vous pourriez également être intéressé par la manière dont les pirates informatiques ciblent les voitures connectées.
Crédit d'image: chesky_w / Depositphotos
Explorez plus au sujet de: intelligence artificielle, technologie automobile, voiture autonome, SLAM.
