Home-theater-designers
Lokalisasi dan pemetaan simultan (SLAM) sepertinya bukan frasa yang Anda gunakan sehari-hari. Namun, beberapa keajaiban teknologi terbaru yang keren menggunakan proses ini setiap milidetik dari masa pakainya.
Apa itu SLAM? Mengapa kita membutuhkannya? Dan apa saja teknologi keren yang Anda bicarakan?
cara coret di facebook
Dari Akronim ke Ide Abstrak
Inilah permainan cepat untuk Anda. Manakah yang tidak termasuk?
- Mobil self-driving
- Aplikasi augmented reality
- Kendaraan udara dan bawah air otonom
- Perangkat yang dapat dikenakan realitas campuran
- Roomba
Anda mungkin berpikir jawabannya adalah item terakhir dalam daftar. Di satu sisi, Anda benar. Dengan cara lain, ini adalah permainan trik karena semua item itu terkait.
Kredit Gambar: Nathan Kroll/ Flickr
Pertanyaan sebenarnya dari game (sangat keren) ini adalah: Apa yang membuat semua teknologi ini layak? Jawabannya: lokalisasi dan pemetaan simultan, atau SLAM! seperti yang dikatakan anak-anak keren.
Secara umum, tujuan dari algoritma SLAM cukup mudah untuk diulang. Robot akan menggunakan lokalisasi dan pemetaan simultan untuk memperkirakan posisi dan orientasinya (atau pose) di ruang angkasa sambil membuat peta lingkungannya. Ini memungkinkan robot untuk mengidentifikasi di mana ia berada dan bagaimana bergerak melalui ruang yang tidak diketahui.
Oleh karena itu, ya, artinya semua yang dilakukan oleh algoritme mewah ini adalah memperkirakan posisi. Teknologi populer lainnya, Global Positioning System (atau GPS) telah memperkirakan posisi sejak Perang Teluk pertama tahun 1990-an.
Membedakan Antara SLAM dan GPS
Lalu mengapa perlu algoritma baru? GPS memiliki dua masalah yang melekat. Pertama, sementara GPS relatif akurat terhadap skala global, presisi dan akurasi mengurangi skala relatif terhadap ruangan, atau meja, atau persimpangan kecil. GPS memiliki akurasi hingga satu meter, tetapi berapa sentimeter? Milimeter?
Kedua, GPS tidak bekerja dengan baik di bawah air. Dengan tidak baik maksud saya tidak sama sekali. Demikian pula, kinerjanya buruk di dalam gedung dengan dinding beton tebal. Atau di ruang bawah tanah. Anda mendapatkan idenya. GPS adalah sistem berbasis satelit, yang mengalami keterbatasan fisik.
Jadi algoritme SLAM bertujuan untuk memberikan pemahaman posisi yang lebih baik untuk gadget dan mesin kami yang paling canggih.
Perangkat ini sudah memiliki serangkaian sensor dan periferal. Algoritma SLAM memanfaatkan data dari sebanyak mungkin dengan menggunakan beberapa matematika dan statistik.
Ayam atau Telur? Posisi atau Peta?
Matematika dan statistik diperlukan untuk menjawab kebingungan yang kompleks: apakah posisi digunakan untuk membuat peta lingkungan atau apakah peta lingkungan digunakan untuk menghitung posisi?
Waktu eksperimen pikiran! Anda secara inter-dimensi melengkung ke tempat yang tidak dikenal. Apa hal pertama yang Anda lakukan? Panik? Oke, tenang, tarik napas. Ambil yang lain. Sekarang, apa hal kedua yang Anda lakukan? Lihatlah sekeliling dan coba temukan sesuatu yang familier. Sebuah kursi ada di sebelah kiri Anda. Sebuah tanaman di sebelah kanan Anda. Sebuah meja kopi ada di depan Anda.
Selanjutnya, sekali ketakutan yang melumpuhkan 'Di mana aku?' habis, Anda mulai bergerak. Tunggu, bagaimana gerakan bekerja di dimensi ini? Ambil langkah maju. Kursi dan tanaman semakin kecil dan meja semakin besar. Sekarang, Anda dapat mengonfirmasi bahwa Anda sebenarnya bergerak maju.
cara meretas kata sandi router
Pengamatan adalah kunci untuk meningkatkan akurasi estimasi SLAM. Dalam video di bawah ini, saat robot bergerak dari penanda ke penanda, ia membangun peta lingkungan yang lebih baik.
Kembali ke dimensi lain, semakin banyak Anda berjalan, semakin Anda mengorientasikan diri. Melangkah ke segala arah menegaskan bahwa gerakan dalam dimensi ini mirip dengan dimensi rumah Anda. Saat Anda pergi ke kanan, tanaman tampak lebih besar. Bermanfaat, Anda melihat hal-hal lain yang Anda identifikasi sebagai tengara di dunia baru ini yang memungkinkan Anda mengembara dengan lebih percaya diri.
Ini pada dasarnya adalah proses SLAM.
Masukan ke Proses
Untuk membuat estimasi ini, algoritma menggunakan beberapa bagian data yang dapat dikategorikan sebagai internal atau eksternal. Untuk contoh transportasi antar dimensi Anda (akui saja, Anda memiliki perjalanan yang menyenangkan), pengukuran internal adalah ukuran langkah dan arah.
Pengukuran luar yang dilakukan berupa gambar. Mengidentifikasi landmark seperti tanaman, kursi, dan meja adalah tugas yang mudah bagi mata dan otak. Prosesor paling kuat yang diketahui --- otak manusia --- mampu mengambil gambar-gambar ini dan tidak hanya mengidentifikasi objek, tetapi juga memperkirakan jarak ke objek itu.
Sayangnya (atau untungnya, tergantung ketakutan Anda terhadap SkyNet), robot tidak memiliki otak manusia sebagai prosesor. Mesin mengandalkan chip silikon dengan kode tertulis manusia sebagai otak.
Bagian lain dari mesin melakukan pengukuran eksternal. Periferal seperti giroskop atau unit pengukuran inersia (IMU) lainnya sangat membantu dalam melakukan hal ini. Robot seperti mobil self-driving juga menggunakan odometri posisi roda sebagai pengukuran internal.
Kredit Gambar: Jennifer Morrow / Flickr
Secara eksternal, mobil self-driving dan robot lainnya menggunakan LIDAR. Mirip dengan bagaimana radar menggunakan gelombang radio, LIDAR mengukur pulsa cahaya yang dipantulkan untuk mengidentifikasi jarak. Cahaya yang digunakan biasanya ultraviolet atau inframerah dekat, mirip dengan sensor kedalaman inframerah.
LIDAR mengirimkan puluhan ribu pulsa per detik untuk membuat peta titik awan tiga dimensi definisi sangat tinggi. Jadi, ya, lain kali Tesla berputar dengan autopilot, itu akan menembak Anda dengan laser. Banyak kali.
Selain itu, algoritma SLAM menggunakan gambar statis dan teknik visi komputer sebagai pengukuran eksternal. Ini dilakukan dengan satu kamera, tetapi dapat dibuat lebih akurat dengan sepasang stereo.
Di dalam Kotak Hitam
Pengukuran internal akan memperbarui perkiraan posisi, yang dapat digunakan untuk memperbarui peta eksternal. Pengukuran eksternal akan memperbarui perkiraan peta, yang dapat digunakan untuk memperbarui posisi. Anda dapat menganggapnya sebagai masalah inferensi, dan idenya adalah untuk menemukan solusi optimal.
Cara umum untuk melakukan ini adalah melalui probabilitas. Teknik seperti filter partikel memperkirakan posisi dan pemetaan menggunakan inferensi statistik Bayesian.
Filter partikel menggunakan sejumlah partikel yang disebarkan oleh distribusi Gaussian. Setiap partikel 'memprediksi' posisi robot saat ini. Probabilitas diberikan untuk setiap partikel. Semua partikel dimulai dengan probabilitas yang sama.
Ketika pengukuran dibuat yang mengkonfirmasi satu sama lain (seperti langkah maju = tabel semakin besar), maka partikel yang 'benar' pada posisinya secara bertahap diberikan probabilitas yang lebih baik. Partikel yang jauh diberi probabilitas yang lebih rendah.
Semakin banyak landmark yang dapat diidentifikasi oleh robot, semakin baik. Landmark memberikan umpan balik ke algoritme dan memungkinkan penghitungan yang lebih tepat.
Aplikasi Saat Ini Menggunakan Algoritma SLAM
Mari kita pecahkan ini, teknologi keren dengan teknologi keren.
Kendaraan Bawah Air Otonom (AUV)
Kapal selam tak berawak dapat beroperasi secara mandiri menggunakan teknik SLAM. IMU internal menyediakan data akselerasi dan gerak dalam tiga arah. Selain itu, AUV menggunakan sonar yang menghadap ke bawah untuk estimasi kedalaman. Side scan sonar menciptakan gambar dasar laut, dengan jangkauan beberapa ratus meter.
Kredit Gambar: Hibah Laut Florida / Flickr
Perangkat Wearable Realitas Campuran
Microsoft dan Magic Leap telah memproduksi kacamata yang dapat dipakai yang memperkenalkan aplikasi Mixed Reality. Memperkirakan posisi dan membuat peta sangat penting untuk perangkat yang dapat dikenakan ini. Perangkat menggunakan peta untuk menempatkan objek virtual di atas objek nyata dan membuat mereka berinteraksi satu sama lain.
mainkan game windows 95 di windows 10
Karena perangkat yang dapat dikenakan ini berukuran kecil, perangkat ini tidak dapat menggunakan periferal besar seperti LIDAR atau sonar . Sebaliknya, sensor kedalaman inframerah yang lebih kecil dan kamera menghadap ke luar digunakan untuk memetakan lingkungan.
Mobil Mengemudi Sendiri
Mobil otonom memiliki sedikit keunggulan dibandingkan perangkat yang dapat dikenakan. Dengan ukuran fisik yang jauh lebih besar, mobil dapat menampung komputer yang lebih besar dan memiliki lebih banyak periferal untuk melakukan pengukuran internal dan eksternal. Dalam banyak hal, mobil self-driving mewakili masa depan teknologi, baik dari segi perangkat lunak maupun perangkat keras.
Teknologi SLAM Meningkat
Dengan teknologi SLAM yang digunakan dalam beberapa cara yang berbeda, hanya masalah waktu sebelum disempurnakan. Setelah mobil self-driving (dan kendaraan lain) terlihat setiap hari, Anda akan tahu bahwa pelokalan dan pemetaan simultan siap digunakan semua orang.
Teknologi self-driving meningkat setiap hari. Ingin tahu lebih banyak? Lihat rincian detail MakeUseOf tentang cara kerja mobil self-driving. Anda mungkin juga tertarik dengan cara peretas menargetkan mobil yang terhubung.
Kredit Gambar: chesky_w/ foto deposit
Membagikan Membagikan Menciak Surel Cara Mengakses Tingkat Gelembung Bawaan Google di AndroidJika Anda pernah merasa perlu memastikan ada sesuatu yang rata dalam keadaan darurat, sekarang Anda bisa mendapatkan level gelembung di ponsel Anda dalam hitungan detik.
Baca Selanjutnya Topik-topik yang berkaitan- Teknologi Dijelaskan
- Teknologi otomotif
- Kecerdasan buatan
- Mobil Mengemudi Sendiri
- MEMBANTING
Tom adalah Software Engineer dari Florida (berteriak ke Florida Man) dengan hasrat untuk menulis, sepak bola perguruan tinggi (go Gators!), CrossFit, dan koma Oxford.
More From Tom JohnsenBerlangganan newsletter kami
Bergabunglah dengan buletin kami untuk kiat teknologi, ulasan, ebook gratis, dan penawaran eksklusif!
Klik di sini untuk berlangganan