SLAM என்றால் என்ன? சுய-ஓட்டுநர் கார்கள் எப்படி இருக்கிறார்கள் என்று எப்படி தெரியும்

SLAM என்றால் என்ன? சுய-ஓட்டுநர் கார்கள் எப்படி இருக்கிறார்கள் என்று எப்படி தெரியும்

ஒரே நேரத்தில் உள்ளூர்மயமாக்கல் மற்றும் மேப்பிங் (எஸ்எல்ஏஎம்) என்பது நீங்கள் தினமும் பயன்படுத்தும் சொற்றொடர் அல்ல. இருப்பினும், சமீபத்திய பல அற்புதமான தொழில்நுட்ப அற்புதங்கள் இந்த செயல்முறையை தங்கள் ஆயுட்காலத்தின் ஒவ்வொரு மில்லி விநாடிகளிலும் பயன்படுத்துகின்றன.





SLAM என்றால் என்ன? நமக்கு ஏன் அது தேவை? நீங்கள் பேசும் இந்த அருமையான தொழில்நுட்பங்கள் என்ன?



ஆண்ட்ராய்டு டிவி பெட்டியில் முகப்புத் திரையை மாற்றுவது எப்படி

சுருக்கத்திலிருந்து சுருக்க கருத்து வரை

இதோ உங்களுக்கான விரைவான விளையாட்டு. இவற்றில் எது சேராது?





  • சுயமாக ஓட்டும் கார்கள்
  • அதிகரித்த ரியாலிட்டி பயன்பாடுகள்
  • தன்னாட்சி வான்வழி மற்றும் நீருக்கடியில் வாகனங்கள்
  • கலப்பு ரியாலிட்டி அணியக்கூடியவை
  • ரூம்பா

பட்டியலில் உள்ள கடைசி உருப்படிக்கு பதில் எளிதாக இருக்கும் என்று நீங்கள் நினைக்கலாம். ஒரு வகையில் நீங்கள் சொல்வது சரிதான். மற்றொரு வழியில், இது ஒரு தந்திர விளையாட்டு, ஏனெனில் அந்த உருப்படிகள் அனைத்தும் தொடர்புடையவை.

படக் கடன்: நாதன் க்ரோல்/ ஃப்ளிக்கர்



(மிக அருமையான) விளையாட்டின் உண்மையான கேள்வி இதுதான்: இந்த தொழில்நுட்பங்கள் அனைத்தையும் சாத்தியமாக்குவது எது? பதில்: ஒரே நேரத்தில் உள்ளூர்மயமாக்கல் மற்றும் மேப்பிங், அல்லது SLAM! குளிர் குழந்தைகள் சொல்வது போல்.

ஒரு பொது அர்த்தத்தில், SLAM வழிமுறைகளின் நோக்கம் மீண்டும் செய்ய போதுமானது. ஒரு ரோபோ தனது சூழலின் வரைபடத்தை உருவாக்கும் போது விண்வெளியில் அதன் நிலை மற்றும் நோக்குநிலையை (அல்லது போஸ்) மதிப்பிடுவதற்கு ஒரே நேரத்தில் உள்ளூர்மயமாக்கல் மற்றும் வரைபடத்தைப் பயன்படுத்தும். இது ரோபோ எங்கே இருக்கிறது மற்றும் சில அறியப்படாத இடத்தை எவ்வாறு நகர்த்துவது என்பதை அடையாளம் காண அனுமதிக்கிறது.



எனவே, ஆமாம், இந்த ஆடம்பரமான-நுட்பமான அல்காரிதம் மதிப்பீட்டு நிலையைச் செய்கிறது. மற்றொரு பிரபலமான தொழில்நுட்பம், குளோபல் பொசிஷனிங் சிஸ்டம் (அல்லது ஜிபிஎஸ்) 1990 களின் முதல் வளைகுடாப் போரிலிருந்து நிலையை மதிப்பிட்டு வருகிறது.

எஸ்எல்ஏஎம் மற்றும் ஜிபிஎஸ் இடையே வேறுபாடு

அப்படியானால் ஏன் ஒரு புதிய அல்காரிதம் தேவை? GPS க்கு இரண்டு உள்ளார்ந்த சிக்கல்கள் உள்ளன. முதலாவதாக, உலக அளவில் ஒப்பிடுகையில் ஜிபிஎஸ் துல்லியமாக இருக்கும்போது, ​​துல்லியம் மற்றும் துல்லியம் இரண்டும் ஒரு அறை, அல்லது ஒரு மேஜை அல்லது ஒரு சிறிய குறுக்குவெட்டுடன் ஒப்பிடும்போது அளவு குறைகிறது. ஜிபிஎஸ் ஒரு மீட்டர் வரை துல்லியத்தைக் கொண்டுள்ளது, ஆனால் என்ன சென்டிமீட்டர்? மில்லிமீட்டர்?



இரண்டாவதாக, GPS நீருக்கடியில் நன்றாக வேலை செய்யாது. நான் நன்றாக இல்லை என்று அர்த்தம். இதேபோல், தடிமனான கான்கிரீட் சுவர்கள் கொண்ட கட்டிடங்களுக்குள் செயல்திறன் ஸ்பாட்டியாக உள்ளது. அல்லது அடித்தளத்தில். உங்களுக்கு யோசனை கிடைக்கும். ஜிபிஎஸ் ஒரு செயற்கைக்கோள் அடிப்படையிலான அமைப்பு, இது உடல் வரம்புகளால் பாதிக்கப்படுகிறது.

எனவே எஸ்எல்ஏஎம் வழிமுறைகள் எங்கள் மேம்பட்ட கேஜெட்டுகள் மற்றும் இயந்திரங்களுக்கான மேம்பட்ட நிலையை உணர்த்துவதை நோக்கமாகக் கொண்டுள்ளன.

இந்த சாதனங்களில் ஏற்கனவே சென்சார்கள் மற்றும் சாதனங்கள் உள்ளன. SLAM வழிமுறைகள் சில கணித மற்றும் புள்ளிவிவரங்களைப் பயன்படுத்தி முடிந்தவரை பலவற்றிலிருந்து தரவைப் பயன்படுத்துகின்றன.

கோழி அல்லது முட்டை? நிலை அல்லது வரைபடம்?

சிக்கலான சிக்கலுக்கு விடையளிக்க கணிதம் மற்றும் புள்ளிவிவரங்கள் தேவை: சுற்றுப்புறத்தின் வரைபடத்தை உருவாக்க நிலை பயன்படுத்தப்படுகிறதா அல்லது நிலையை கணக்கிட சூழலின் வரைபடம் பயன்படுத்தப்படுகிறதா?

சிந்தனை பரிசோதனை நேரம்! நீங்கள் அறிமுகமில்லாத இடத்திற்கு பரிமாணமாக முறுக்கப்பட்டீர்கள். நீங்கள் செய்யும் முதல் காரியம் என்ன? பீதி? சரி, அமைதியாக இரு, மூச்சு விடு. இன்னொன்றை எடுத்துக் கொள்ளுங்கள். இப்போது, ​​நீங்கள் செய்யும் இரண்டாவது விஷயம் என்ன? சுற்றிப் பார்த்து பழக்கமான ஒன்றைக் கண்டுபிடிக்க முயற்சிக்கவும். ஒரு நாற்காலி உங்கள் இடதுபுறம் உள்ளது. உங்கள் வலதுபுறத்தில் ஒரு செடி உள்ளது. ஒரு காபி டேபிள் உங்கள் முன்னால் உள்ளது.

அடுத்து, ஒருமுறை முடக்குவாத பயம் 'நான் எங்கே இருக்கிறேன்?' தேய்ந்து, நீங்கள் நகர ஆரம்பிக்கிறீர்கள். காத்திருங்கள், இந்த பரிமாணத்தில் இயக்கம் எவ்வாறு செயல்படுகிறது? ஒரு படி மேலே செல்லுங்கள். நாற்காலியும் செடியும் சிறியதாகி, மேஜை பெரிதாகி வருகிறது. இப்போது, ​​நீங்கள் உண்மையில் முன்னோக்கி செல்கிறீர்கள் என்பதை உறுதிப்படுத்த முடியும்.

USB போர்ட்கள் விண்டோஸ் 10 வேலை செய்வதை நிறுத்துகின்றன

SLAM மதிப்பீட்டின் துல்லியத்தை மேம்படுத்துவதற்கு அவதானிப்புகள் முக்கியம். கீழே உள்ள வீடியோவில், ரோபோ மார்க்கரில் இருந்து மார்க்கருக்கு நகரும் போது, ​​அது சுற்றுச்சூழலின் சிறந்த வரைபடத்தை உருவாக்குகிறது.

மற்ற பரிமாணத்திற்குத் திரும்ப, நீங்கள் எவ்வளவு அதிகமாகச் சுற்றி நடக்கிறீர்களோ அவ்வளவு அதிகமாக உங்களை நோக்குவீர்கள். எல்லா திசைகளிலும் அடியெடுத்து வைப்பது இந்த பரிமாணத்தின் இயக்கம் உங்கள் வீட்டு பரிமாணத்தைப் போன்றது என்பதை உறுதிப்படுத்துகிறது. நீங்கள் வலதுபுறம் செல்லும்போது, ​​செடி பெரிதாக வளர்கிறது. உதவியுடன், இந்த புதிய உலகில் நீங்கள் அடையாளங்காட்டும் மற்ற விஷயங்களை நீங்கள் பார்க்கிறீர்கள், அது உங்களை அதிக நம்பிக்கையுடன் அலைய அனுமதிக்கிறது.

இது அடிப்படையில் SLAM இன் செயல்முறை.

செயல்முறைக்கான உள்ளீடுகள்

இந்த மதிப்பீடுகளைச் செய்வதற்காக, வழிமுறைகள் பல தரவுகளைப் பயன்படுத்துகின்றன, அவை உள் அல்லது வெளிப்புறமாக வகைப்படுத்தப்படலாம். உங்கள் இடை-பரிமாண போக்குவரத்து உதாரணத்திற்கு (ஒப்புக்கொள்ளுங்கள், நீங்கள் ஒரு வேடிக்கையான பயணத்தை மேற்கொண்டீர்கள்), உள் அளவீடுகள் படிகள் மற்றும் திசையின் அளவு.

செய்யப்பட்ட வெளிப்புற அளவீடுகள் படங்களின் வடிவத்தில் உள்ளன. செடி, நாற்காலி மற்றும் மேஜை போன்ற அடையாளங்களை அடையாளம் காண்பது கண்கள் மற்றும் மூளைக்கு எளிதான பணியாகும். அறியப்பட்ட மிக சக்திவாய்ந்த செயலி --- மனித மூளை --- இந்த படங்களை எடுக்க முடியும் மற்றும் பொருட்களை அடையாளம் காண்பது மட்டுமல்லாமல், அந்தப் பொருளின் தூரத்தையும் மதிப்பிட முடியும்.

துரதிர்ஷ்டவசமாக (அல்லது அதிர்ஷ்டவசமாக, ஸ்கைநெட் மீதான உங்கள் பயத்தைப் பொறுத்து), ரோபோக்களுக்கு மனித மூளை ஒரு செயலியாக இல்லை. இயந்திரங்கள் மனித மூளையாக எழுதப்பட்ட குறியீட்டைக் கொண்ட சிலிக்கான் சில்லுகளை நம்பியுள்ளன.

மற்ற இயந்திரங்கள் வெளிப்புற அளவீடுகளை செய்கின்றன. கைரோஸ்கோப்புகள் அல்லது பிற மந்த அளவீட்டு அலகு (ஐஎம்யு) போன்ற சாதனங்கள் இதைச் செய்ய உதவுகின்றன. சுய-ஓட்டுநர் கார்கள் போன்ற ரோபோக்களும் சக்கர நிலைகளின் ஓடோமெட்ரியை உள் அளவீடாகப் பயன்படுத்துகின்றன.

படக் கடன்: ஜெனிபர் மோரோ/ ஃப்ளிக்கர்

வெளிப்புறமாக, ஒரு சுய-ஓட்டுநர் கார் மற்றும் பிற ரோபோக்கள் LIDAR ஐப் பயன்படுத்துகின்றன. ரேடார் ரேடியோ அலைகளை எவ்வாறு பயன்படுத்துகிறது என்பதைப் போலவே, லிடார் அளவுகள் தூரத்தை அடையாளம் காண ஒளி துடிப்புகளை பிரதிபலிக்கின்றன. பயன்படுத்தப்படும் ஒளி பொதுவாக புற ஊதா அல்லது அகச்சிவப்பு அருகில், அகச்சிவப்பு ஆழ சென்சார் போன்றது.

மிக உயர்ந்த வரையறை முப்பரிமாண புள்ளி மேக வரைபடத்தை உருவாக்க LIDAR வினாடிக்கு பல்லாயிரக்கணக்கான பருப்புகளை அனுப்புகிறது. எனவே, அடுத்த முறை டெஸ்லா ஆட்டோ பைலட்டில் சுற்றும்போது, ​​அது உங்களை லேசர் மூலம் சுடும். நிறைய முறை.

கூடுதலாக, SLAM வழிமுறைகள் நிலையான படங்கள் மற்றும் கணினி பார்வை நுட்பங்களை வெளிப்புற அளவீடாகப் பயன்படுத்துகின்றன. இது ஒற்றை கேமரா மூலம் செய்யப்படுகிறது, ஆனால் ஸ்டீரியோ ஜோடி மூலம் இன்னும் துல்லியமாக செய்ய முடியும்.

கருப்பு பெட்டியின் உள்ளே

உள் அளவீடுகள் மதிப்பிடப்பட்ட நிலையை மேம்படுத்தும், இது வெளிப்புற வரைபடத்தைப் புதுப்பிக்கப் பயன்படும். வெளிப்புற அளவீடுகள் மதிப்பிடப்பட்ட வரைபடத்தைப் புதுப்பிக்கும், இது நிலையைப் புதுப்பிக்கப் பயன்படும். நீங்கள் அதை ஒரு அனுமானப் பிரச்சனையாக நினைக்கலாம், உகந்த தீர்வைக் கண்டுபிடிப்பதே யோசனை.

நிகழ்தகவு மூலம் இதைச் செய்வதற்கான பொதுவான வழி. ஒரு துகள் வடிகட்டி தோராயமான நிலை மற்றும் பேய்சியன் புள்ளிவிவர அனுமானத்தைப் பயன்படுத்தி மேப்பிங் போன்ற நுட்பங்கள்.

ஒரு துகள் வடிகட்டி ஒரு காசியன் விநியோகத்தால் பரவிய ஒரு குறிப்பிட்ட எண்ணிக்கையிலான துகள்களைப் பயன்படுத்துகிறது. ஒவ்வொரு துகளும் ரோபோவின் தற்போதைய நிலையை 'கணிக்கிறது'. ஒவ்வொரு துகளுக்கும் ஒரு நிகழ்தகவு ஒதுக்கப்பட்டுள்ளது. அனைத்து துகள்களும் ஒரே நிகழ்தகவுடன் தொடங்குகின்றன.

ஒருவருக்கொருவர் உறுதிப்படுத்தும் அளவீடுகள் செய்யப்படும்போது (படி முன்னோக்கி = அட்டவணை பெரிதாகுதல் போன்றவை), பின்னர் அவற்றின் நிலையில் 'சரியாக' இருக்கும் துகள்கள் படிப்படியாக சிறந்த நிகழ்தகவுகளை வழங்குகின்றன. விலகி இருக்கும் துகள்களுக்கு குறைந்த நிகழ்தகவு ஒதுக்கப்படுகிறது.

ஒரு ரோபோ அடையாளம் காணக்கூடிய அதிக அடையாளங்கள், சிறந்தது. லேண்ட்மார்க்ஸ் அல்காரிதத்திற்கு பின்னூட்டத்தை அளிக்கிறது மேலும் துல்லியமான கணக்கீடுகளை அனுமதிக்கிறது.

SLAM வழிமுறைகளைப் பயன்படுத்தி தற்போதைய பயன்பாடுகள்

கூல் டெக்னாலஜி மூலம் இதை, குளிர் தொழில்நுட்பத்தை உடைப்போம்.

தன்னாட்சி நீருக்கடியில் வாகனங்கள் (AUV கள்)

ஆளில்லா நீர்மூழ்கிக் கப்பல்கள் SLAM நுட்பங்களைப் பயன்படுத்தி தன்னாட்சி முறையில் செயல்பட முடியும். ஒரு உள் IMU முடுக்கம் மற்றும் இயக்கத் தரவை மூன்று திசைகளில் வழங்குகிறது. கூடுதலாக, AUV கள் ஆழமான மதிப்பீடுகளுக்கு கீழே எதிர்கொள்ளும் சோனாரைப் பயன்படுத்துகின்றன. சைட் ஸ்கேன் சோனார் கடல் தளத்தின் படங்களை உருவாக்குகிறது, இரண்டு நூறு மீட்டர் வரம்பில்.

படக் கடன்: புளோரிடா கடல் மானியம்/ ஃப்ளிக்கர்

கலப்பு ரியாலிட்டி அணியக்கூடியவை

மைக்ரோசாப்ட் மற்றும் மேஜிக் லீப் ஆகியவை கலப்பு ரியாலிட்டி பயன்பாடுகளை அறிமுகப்படுத்தும் அணியக்கூடிய கண்ணாடிகளை உருவாக்கியுள்ளன. இந்த அணியக்கூடிய நிலைகளை மதிப்பிடுவது மற்றும் ஒரு வரைபடத்தை உருவாக்குவது மிகவும் முக்கியம். மெய்நிகர் பொருள்களை உண்மையான பொருள்களின் மேல் வைக்க மற்றும் ஒருவருக்கொருவர் தொடர்பு கொள்ள சாதனங்கள் வரைபடத்தைப் பயன்படுத்துகின்றன.

வன் விண்டோஸ் 10 ஐ துவக்காது

இந்த அணியக்கூடியவை சிறியதாக இருப்பதால், அவர்கள் LIDAR அல்லது சோனார் போன்ற பெரிய சாதனங்களைப் பயன்படுத்த முடியாது. அதற்கு பதிலாக, சிறிய அகச்சிவப்பு ஆழ சென்சார்கள் மற்றும் வெளிப்புற எதிர்கொள்ளும் கேமராக்கள் ஒரு சூழலை வரைபடமாக்கப் பயன்படுகின்றன.

சுய ஓட்டுநர் கார்கள்

அணியக்கூடியவற்றை விட தன்னாட்சி கார்கள் சிறிது நன்மையைக் கொண்டுள்ளன. மிகப் பெரிய உடல் அளவுடன், கார்கள் பெரிய கணினிகளை வைத்திருக்க முடியும் மற்றும் உள் மற்றும் வெளிப்புற அளவீடுகளைச் செய்ய அதிக சாதனங்களைக் கொண்டிருக்கலாம். பல வழிகளில், சுய-ஓட்டுநர் கார்கள் தொழில்நுட்பத்தின் எதிர்காலத்தை பிரதிபலிக்கின்றன, மென்பொருள் மற்றும் வன்பொருள் இரண்டிலும்.

SLAM தொழில்நுட்பம் மேம்பட்டு வருகிறது

எஸ்எல்ஏஎம் தொழில்நுட்பம் பல்வேறு வழிகளில் பயன்படுத்தப்படுவதால், அது முழுமையாக்கப்படுவதற்கு ஒரு கால அவகாசம் மட்டுமே உள்ளது. தினசரி அடிப்படையில் சுய-ஓட்டுநர் கார்கள் (மற்றும் பிற வாகனங்கள்) பார்த்தவுடன், ஒரே நேரத்தில் உள்ளூர்மயமாக்கல் மற்றும் மேப்பிங் அனைவரும் பயன்படுத்த தயாராக உள்ளது என்பதை நீங்கள் அறிவீர்கள்.

சுய ஓட்டுநர் தொழில்நுட்பம் ஒவ்வொரு நாளும் மேம்பட்டு வருகிறது. மேலும் தெரிந்து கொள்ள வேண்டுமா? சுய-ஓட்டுநர் கார்கள் எவ்வாறு செயல்படுகின்றன என்பதற்கான MakeUseOf இன் விரிவான முறிவைப் பாருங்கள். இணைக்கப்பட்ட கார்களை ஹேக்கர்கள் எவ்வாறு குறிவைக்கிறார்கள் என்பதில் நீங்கள் ஆர்வமாக இருக்கலாம்.

பட கடன்: chesky_w/ வைப்புத்தொகைகள்

பகிர் பகிர் ட்வீட் மின்னஞ்சல் ஆண்ட்ராய்டில் கூகுளின் பில்ட்-இன் பப்பில் லெவலை எப்படி அணுகுவது

நீங்கள் எப்போதாவது ஏதாவது ஒரு பிஞ்சில் சமமாக இருப்பதை உறுதி செய்ய வேண்டியிருந்தால், இப்போது உங்கள் தொலைபேசியில் ஒரு குமிழி அளவை நொடிகளில் பெறலாம்.

அடுத்து படிக்கவும் தொடர்புடைய தலைப்புகள்
  • தொழில்நுட்பம் விளக்கப்பட்டது
  • தானியங்கி தொழில்நுட்பம்
  • செயற்கை நுண்ணறிவு
  • சுய ஓட்டுநர் கார்
  • SLAM
எழுத்தாளர் பற்றி டாம் ஜான்சன்(3 கட்டுரைகள் வெளியிடப்பட்டன)

டாம் புளோரிடாவைச் சேர்ந்த ஒரு மென்பொருள் பொறியாளர் (புளோரிடா மேனுக்கு கத்துங்கள்) எழுதுவதில் ஆர்வம் கொண்டவர், கல்லூரி கால்பந்து (கோ கேட்டர்ஸ்!), கிராஸ்ஃபிட் மற்றும் ஆக்ஸ்போர்டு காற்புள்ளிகள்.

டாம் ஜான்சனிடமிருந்து மேலும்

எங்கள் செய்திமடலுக்கு குழுசேரவும்

தொழில்நுட்ப குறிப்புகள், மதிப்புரைகள், இலவச மின் புத்தகங்கள் மற்றும் பிரத்யேக ஒப்பந்தங்களுக்கு எங்கள் செய்திமடலில் சேரவும்!

குழுசேர இங்கே சொடுக்கவும்