Qu'est-ce que SLAM? Comment les voitures autonomes savent où elles se trouvent

Publicité

La localisation et la cartographie simultanées (SLAM) ne sont probablement pas une expression que vous utilisez tous les jours. Cependant, plusieurs des dernières merveilles technologiques cool utilisent ce processus chaque milliseconde de leur durée de vie.

Qu'est-ce que 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 ceux-ci n'appartient pas?

• Voitures autonomes
• Applications de réalité augmentée
• Véhicules aériens et sous-marins autonomes
• Wearables de 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 truc car tous ces éléments sont liés.

La vraie question du jeu (très cool) est la suivante: qu'est-ce qui rend toutes ces technologies réalisables? La réponse: localisation et cartographie simultanées, ou SLAM! comme le disent les enfants cool.

D'une manière générale, le but des algorithmes SLAM est assez facile à itérer. Un robot utilisera la localisation et la cartographie 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.

Par conséquent, oui, c'est-à-dire tout ce que fait cet algorithme de fantaisie est d'estimer la position. Une autre technologie populaire, Système de positionnement global (ou GPS) Comment fonctionne le suivi GPS et que pouvez-vous suivre avec lui?GPS. Nous la 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 le manquiez. Lire la suite estime la position depuis la première guerre du Golfe des années 90.

Différenciation entre SLAM et GPS

Alors pourquoi le besoin d'un nouvel algorithme? Le GPS a deux problèmes inhérents. Premièrement, alors que le GPS est précis par rapport à une échelle globale, la précision et l'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 quel est le centimètre? Millimètre?

Deuxièmement, le GPS ne fonctionne pas bien sous l'eau. Par pas bien, je veux dire pas du tout. De même, la performance est inégale à l'intérieur des bâtiments avec des murs en béton épais. Ou dans les sous-sols. Vous avez eu l'idée. Le GPS est un système satellitaire qui souffre de limitations physiques.

Les algorithmes SLAM visent donc à améliorer 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 mathématiques et des statistiques.

Poulet ou œuf? Position ou carte?

Les mathématiques et les 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?

Le temps de l'expérience de la pensée! Vous êtes déformé de façon interdimensionnelle vers un endroit inconnu. Quelle est la première chose que tu fais? Panique? OK, calmez-vous bien, respirez. 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 la peur paralysante de "Où diable suis-je?" se dissipe, vous commencez à bouger. Attendez, comment fonctionne le mouvement dans cette dimension? Faites un pas en avant. La chaise et la plante deviennent plus petites et la table devient plus grande. Maintenant, vous pouvez confirmer que vous allez de l'avant.

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 construit une meilleure carte de l'environnement.

De retour à l'autre dimension, plus vous vous promenez, plus vous vous orientez. Un pas dans toutes les directions confirme que le mouvement dans cette dimension est similaire à votre dimension d'origine. Lorsque vous allez vers la droite, la plante apparaît plus grande. Utilement, vous voyez d'autres choses que vous identifiez comme des repères dans ce nouveau monde qui vous permettent de vous promener avec plus de confiance.

Il s'agit essentiellement du processus de SLAM.

Entrées dans le processus

Afin de faire ces estimations, les algorithmes utilisent plusieurs données qui peuvent être classées comme internes ou externes. Pour votre exemple de transport inter-dimensionnel (admettez-le, vous avez eu un voyage amusant), les mesures internes sont la taille des pas et la direction.

Les mesures externes effectuées sont sous forme d'images. L'identification de 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 aussi d'estimer la distance à cet objet.

Malheureusement (ou heureusement, selon votre peur de SkyNet), les robots n'ont pas de cerveau humain comme processeur. Les machines s'appuient sur des puces de silicium avec du code écrit humain comme cerveau.

D'autres machines effectuent des mesures externes. Des périphériques tels que des gyroscopes ou une autre unité de mesure inertielle (IMU) sont utiles pour ce faire. 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 façon 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.

Le LIDAR envoie des dizaines de milliers d'impulsions par seconde pour créer une carte en nuage de points tridimensionnelle extrêmement haute définition. Donc, oui, la prochaine fois que Tesla se déplacera sur le pilote automatique, il vous tirera avec un 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 rendu encore plus précis avec une paire stéréo.

À l'intérieur de la boîte noire

Les mesures internes mettront à jour la position estimée, qui peut être utilisée 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 le considérer comme un problème d'inférence, et l'idée est de trouver la solution optimale.

Une façon courante de le faire est la probabilité. Des techniques telles que la position approximative d'un filtre à particules et la cartographie utilisant l'inférence statistique bayésienne.

Un filtre à particules utilise un nombre défini de particules réparties par 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 sont confirmées les unes les autres (comme un pas en avant = le tableau s'agrandit), les particules qui sont «correctes» dans leur position reçoivent progressivement de meilleures probabilités. Les particules éloignées se voient attribuer des probabilités inférieures.

Plus un robot peut identifier de repères, mieux c'est. Les repères fournissent une rétroaction à l'algorithme et permettent des calculs plus précis.

Applications actuelles utilisant des algorithmes SLAM

Décomposons cela, morceau de technologie cool par morceau de technologie cool.

Véhicules sous-marins autonomes (AUV)

Les sous-marins sans pilote peuvent fonctionner de manière autonome en utilisant les techniques SLAM. Une 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 de réalité mixte

Microsoft et Magic Leap ont produit des lunettes portables qui introduisent Applications de réalité mixte Windows Mixed Reality: Qu'est-ce que c'est et comment l'essayer maintenantWindows Mixed Reality est une nouvelle fonctionnalité qui vous permet d'utiliser Windows 10 en réalité virtuelle et augmentée. Voici pourquoi c'est excitant et comment savoir si votre PC le prend en charge. Lire la suite . L'estimation de la position et la création d'une carte sont cruciales pour ces appareils portables. Les appareils utilisent la carte pour placer des objets virtuels au-dessus d'objets réels et les faire interagir les uns avec les autres.

Étant donné que ces appareils portables sont petits, ils ne peuvent pas utiliser de grands périphériques tels que le LIDAR ou le sonar. Au lieu de cela, des capteurs 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 portables. Avec une taille physique beaucoup plus grande, les voitures peuvent contenir de plus grands ordinateurs 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 logiciels et de matériel.

La technologie SLAM s'améliore

La technologie SLAM étant utilisée de différentes manières, ce n'est qu'une question de temps avant de la perfectionner. Une fois que les voitures autonomes (et autres véhicules) seront 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 de jour en jour. Vouloir en savoir davantage? Consultez la ventilation détaillée de MakeUseOf comment fonctionnent les voitures autonomes Comment fonctionnent les voitures autonomes: les écrous et les boulons derrière le programme de voitures autonomes de GoogleÊtre capable de faire la navette pour aller travailler en dormant, en mangeant ou en rattrapant votre favori blogs est un concept tout aussi attrayant et apparemment lointain et trop futuriste pour être se produire. Lire la suite . Vous pourriez aussi être intéressé par comment les pirates ciblent les voitures connectées.

Crédit d'image: chesky_w /Depositphotos