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

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

La localisation et la cartographie simultanées (SLAM) n'est 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 le SLAM ? Pourquoi en avons-nous besoin? Et quelles sont ces technologies cool dont vous parlez ?





comment rendre votre twitter bleu

De l'acronyme à l'idée abstraite

Voici un jeu rapide pour vous. Lequel d'entre eux n'appartient pas ?





  • Voitures autonomes
  • Applications de réalité augmentée
  • Véhicules aériens et sous-marins autonomes
  • Appareils portables en réalité mixte
  • Le Roomba

Vous pouvez penser 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 tours car tous ces éléments sont liés.

Crédit d'image: Nathan Kroll/ Flickr



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

Dans un sens général, 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 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 que tout cet algorithme fantaisiste ne fait qu'estimer la position. Une autre technologie populaire, le système de positionnement global (ou GPS) évalue la position depuis la première guerre du Golfe des années 1990.

Différencier 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 au mètre près, mais qu'est-ce que 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 aux murs de 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 donner un meilleur sens de la position à 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 ?

Temps d'expérimentation de pensée ! Vous êtes déformé de manière interdimensionnelle vers un endroit inconnu. Quelle est la première chose que vous faites ? Panique? Bon, calme-toi, respire. 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 ? » s'estompe, 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 s'agrandit. Maintenant, vous pouvez confirmer que vous allez vraiment de l'avant.

meilleurs cours d'informatique en ligne gratuits

Les observations sont essentielles pour améliorer la précision de l'estimation du SLAM. Dans la vidéo ci-dessous, au fur et à mesure que le robot se déplace de marqueur en marqueur, il construit une meilleure carte de l'environnement.

De retour dans 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 votre dimension d'origine. En allant vers la droite, la plante prend de l'ampleur. Heureusement, vous voyez d'autres choses que vous identifiez comme des points de repère dans ce nouveau monde qui vous permettent de vous promener avec plus de confiance.

C'est essentiellement le processus du SLAM.

Contributions au processus

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

Les mesures externes effectuées sont sous forme d'images. Identifier des 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 un code écrit humain comme cerveau.

D'autres machines effectuent des mesures externes. Des périphériques tels que des gyroscopes ou d'autres unités 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.

Crédit d'image: Jennifer Morrow/ Flickr

En externe, 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, similaire à un capteur de profondeur infrarouge.

Le LIDAR envoie des dizaines de milliers d'impulsions par seconde pour créer une carte de nuage de points tridimensionnelle extrêmement haute définition. Donc, oui, la prochaine fois que Tesla roule en pilote automatique, il vous tirera dessus 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. Des 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 qu'une position approximative de filtre à particules et une 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 sont effectuées qui se confirment (comme un pas en avant = la table s'agrandit), les particules qui sont « correctes » dans leur position reçoivent progressivement de meilleures probabilités. Les particules éloignées se voient attribuer des probabilités plus faibles.

Plus un robot peut identifier de points de repère, mieux c'est. Les repères fournissent un retour à 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 sans pilote peuvent fonctionner de manière autonome en utilisant des 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.

Crédit d'image: Florida Sea Grant/ Flickr

Objets connectés en réalité mixte

Microsoft et Magic Leap ont produit des lunettes portables qui introduisent des applications de réalité mixte. 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 sur des objets réels et les faire interagir les uns avec les autres.

comment faire un scan antivirus sur mon mac

Étant donné que ces appareils portables sont petits, ils ne peuvent pas utiliser de gros 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

La technologie SLAM étant utilisée de différentes manières, ce n'est qu'une question de temps avant qu'elle ne soit perfectionnée. 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 tout le monde.

La technologie de conduite autonome s'améliore chaque jour. Vouloir en savoir davantage? Découvrez la ventilation détaillée de MakeUseOf sur le fonctionnement des voitures autonomes. Vous pourriez également être intéressé par la façon dont les pirates ciblent les voitures connectées.

Crédit d'image: chesky_w/ Depositphotos

Partager Partager Tweeter E-mail Comment accéder au niveau à bulle intégré de Google sur Android

Si vous avez déjà eu besoin de vous assurer que quelque chose est de niveau à la rigueur, vous pouvez désormais obtenir un niveau à bulle sur votre téléphone en quelques secondes.

Lire la suite
Rubriques connexes
  • La technologie expliquée
  • Technologie automobile
  • Intelligence artificielle
  • Voiture autonome
  • CLAQUER
A propos de l'auteur Tom Johnsen(3 articles publiés)

Tom est un ingénieur logiciel de Floride (merci à Florida Man) avec une passion pour l'écriture, le football universitaire (allez Gators!), CrossFit et les virgules d'Oxford.

Plus de Tom Johnsen

Abonnez-vous à notre newsletter

Rejoignez notre newsletter pour des conseils techniques, des critiques, des ebooks gratuits et des offres exclusives !

Cliquez ici pour vous abonner