Home-theater-designers
ఏకకాలంలో స్థానికీకరణ మరియు మ్యాపింగ్ (SLAM) అనేది మీరు ప్రతిరోజూ ఉపయోగించే పదబంధం కాదు. ఏదేమైనా, అనేక తాజా అద్భుతమైన సాంకేతిక అద్భుతాలు ఈ ప్రక్రియను వారి జీవితకాలంలో ప్రతి మిల్లీసెకనులో ఉపయోగిస్తాయి.
SLAM అంటే ఏమిటి? మనకు ఇది ఎందుకు అవసరం? మరియు మీరు మాట్లాడే ఈ అద్భుతమైన సాంకేతికతలు ఏమిటి?
కమాండ్ ప్రాంప్ట్ ఎలా ఉపయోగించాలి
ఎక్రోనిం నుండి నైరూప్య ఆలోచన వరకు
మీ కోసం శీఘ్ర గేమ్ ఇక్కడ ఉంది. వీటిలో ఏది చెందనిది?
- సెల్ఫ్ డ్రైవింగ్ కార్లు
- వృద్ధి చెందిన రియాలిటీ యాప్‌లు
- స్వయంప్రతిపత్త వైమానిక మరియు నీటి అడుగున వాహనాలు
- మిశ్రమ రియాలిటీ వేరబుల్స్
- రూంబా
సమాధానం సులభంగా జాబితాలో చివరి అంశం అని మీరు అనుకోవచ్చు. ఒక విధంగా మీరు చెప్పింది నిజమే. మరొక విధంగా, ఇది ఒక ట్రిక్ గేమ్, ఎందుకంటే ఆ అంశాలన్నీ సంబంధించినవి.
చిత్ర క్రెడిట్: నాథన్ క్రోల్/ ఫ్లికర్
(చాలా బాగుంది) ఆట యొక్క అసలు ప్రశ్న ఇది: ఈ టెక్నాలజీలన్నీ సాధ్యమయ్యేలా చేయడం ఏమిటి? సమాధానం: ఏకకాలంలో స్థానికీకరణ మరియు మ్యాపింగ్, లేదా SLAM! చల్లని పిల్లలు చెప్పినట్లు.
సాధారణ అర్థంలో, SLAM అల్గారిథమ్‌ల ప్రయోజనం పునరావృతం చేయడానికి చాలా సులభం. రోబోట్ దాని పర్యావరణం యొక్క మ్యాప్‌ను సృష్టించేటప్పుడు అంతరిక్షంలో దాని స్థానం మరియు ధోరణిని అంచనా వేయడానికి ఏకకాలంలో స్థానికీకరణ మరియు మ్యాపింగ్‌ను ఉపయోగిస్తుంది. ఇది రోబోట్ ఎక్కడ ఉందో మరియు కొంత తెలియని ఖాళీని ఎలా తరలించాలో గుర్తించడానికి అనుమతిస్తుంది.
అందువల్ల, అవును, ఈ ఫాన్సీ-తెలివిగల అల్గోరిథం అంచనా స్థానాన్ని అంచనా వేస్తుంది. 1990 ల మొదటి గల్ఫ్ యుద్ధం నుండి మరొక ప్రముఖ సాంకేతికత, గ్లోబల్ పొజిషనింగ్ సిస్టమ్ (లేదా GPS) స్థానాన్ని అంచనా వేస్తోంది.
SLAM మరియు GPS మధ్య వ్యత్యాసం
కాబట్టి కొత్త అల్గోరిథం అవసరం ఎందుకు? GPS కి రెండు స్వాభావిక సమస్యలు ఉన్నాయి. ముందుగా, GPS అనేది ప్రపంచ స్థాయికి సంబంధించి ఖచ్చితమైనది అయితే, గది లేదా టేబుల్ లేదా చిన్న కూడలికి సంబంధించి ఖచ్చితత్వం మరియు ఖచ్చితత్వం రెండూ తగ్గుతాయి. GPS కి మీటర్ వరకు ఖచ్చితత్వం ఉంది, కానీ సెంటీమీటర్ ఏమిటి? మిల్లీమీటర్?
రెండవది, GPS నీటి అడుగున బాగా పనిచేయదు. బాగా లేనందున నేను అస్సలు కాదు. అదేవిధంగా, మందపాటి కాంక్రీట్ గోడలతో భవనాల లోపల పనితీరు మచ్చగా ఉంటుంది. లేదా నేలమాళిగల్లో. మీకు ఆలోచన వస్తుంది. GPS అనేది శాటిలైట్ ఆధారిత వ్యవస్థ, ఇది భౌతిక పరిమితులతో బాధపడుతోంది.
కాబట్టి SLAM అల్గోరిథంలు మా అత్యంత అధునాతన గాడ్జెట్లు మరియు మెషీన్‌ల కోసం మెరుగైన పొజిషన్‌ని అందించాలని లక్ష్యంగా పెట్టుకున్నాయి.
ఈ పరికరాల్లో ఇప్పటికే సెన్సార్లు మరియు పెరిఫెరల్స్ ఉన్నాయి. SLAM అల్గోరిథంలు వీలైనన్ని ఎక్కువ నుండి కొన్ని గణిత మరియు గణాంకాలను ఉపయోగించి డేటాను ఉపయోగించుకుంటాయి.
చికెన్ లేదా గుడ్డు? స్థానం లేదా మ్యాప్?
సంక్లిష్ట గందరగోళానికి సమాధానం ఇవ్వడానికి గణితం మరియు గణాంకాలు అవసరం: పరిసరాల మ్యాప్‌ను రూపొందించడానికి స్థానం ఉపయోగించబడుతుందా లేదా పొజిషన్‌ను లెక్కించడానికి పరిసరాల మ్యాప్ ఉపయోగించబడుతుందా?
ఆలోచన ప్రయోగం సమయం! మీరు తెలియని ప్రదేశానికి ఇంటర్ డైమెన్షనల్‌గా వంకరగా ఉన్నారు. మీరు చేసే మొదటి పని ఏమిటి? భయాందోళనలు? సరే, ప్రశాంతంగా ఉండు, శ్వాస తీసుకోండి. మరొకటి తీసుకోండి. ఇప్పుడు, మీరు చేసే రెండవ పని ఏమిటి? చుట్టూ చూడండి మరియు తెలిసినదాన్ని కనుగొనడానికి ప్రయత్నించండి. కుర్చీ మీ ఎడమ వైపున ఉంది. ఒక మొక్క మీ కుడి వైపున ఉంది. ఒక కాఫీ టేబుల్ మీ ముందు ఉంది.
తరువాత, ఒకసారి పక్షవాతం భయం 'నేను ఎక్కడ ఉన్నాను?' ధరిస్తుంది, మీరు కదలడం ప్రారంభించండి. వేచి ఉండండి, ఈ కోణంలో ఉద్యమం ఎలా పని చేస్తుంది? ఒక అడుగు ముందుకు వేయండి. కుర్చీ మరియు మొక్క చిన్నవి అవుతున్నాయి మరియు టేబుల్ పెద్దది అవుతోంది. ఇప్పుడు, మీరు వాస్తవానికి ముందుకు సాగుతున్నారని మీరు నిర్ధారించవచ్చు.
ఒక మానిటర్‌ను రెండు వర్చువల్ మానిటర్‌లుగా విభజించండి
SLAM అంచనా యొక్క ఖచ్చితత్వాన్ని మెరుగుపరచడానికి పరిశీలనలు కీలకం. దిగువ వీడియోలో, రోబోట్ మార్కర్ నుండి మార్కర్‌కు మారినప్పుడు, ఇది పర్యావరణం యొక్క మెరుగైన మ్యాప్‌ను రూపొందిస్తుంది.
తిరిగి ఇతర కోణానికి, మీరు ఎంత ఎక్కువ చుట్టూ తిరుగుతుంటే అంతగా మిమ్మల్ని మీరు ఓరియంట్ చేస్తారు. అన్ని దిశలలో అడుగు పెట్టడం వలన ఈ కోణంలో కదలిక మీ ఇంటి పరిమాణంతో సమానంగా ఉంటుందని నిర్ధారిస్తుంది. మీరు కుడి వైపుకు వెళ్తున్నప్పుడు, మొక్క పెద్దదిగా కనిపిస్తుంది. సహాయకరంగా, ఈ కొత్త ప్రపంచంలో మీరు ల్యాండ్‌మార్క్‌లుగా గుర్తించే ఇతర విషయాలను మీరు చూస్తారు, అది మిమ్మల్ని మరింత నమ్మకంగా తిరిగేలా చేస్తుంది.
ఇది తప్పనిసరిగా SLAM ప్రక్రియ.
ప్రక్రియకు ఇన్‌పుట్‌లు
ఈ అంచనాలను రూపొందించడానికి, అల్గోరిథంలు అంతర్గత లేదా బాహ్యంగా వర్గీకరించబడే అనేక డేటా ముక్కలను ఉపయోగిస్తాయి. మీ ఇంటర్-డైమెన్షనల్ ట్రాన్స్‌పోర్ట్ ఉదాహరణ కోసం (అంగీకరించండి, మీరు ఒక ఆహ్లాదకరమైన పర్యటనలో ఉన్నారు), అంతర్గత కొలతలు దశలు మరియు దిశ పరిమాణం.
తయారు చేసిన బాహ్య కొలతలు చిత్రాల రూపంలో ఉంటాయి. మొక్క, కుర్చీ మరియు టేబుల్ వంటి మైలురాళ్లను గుర్తించడం కళ్ళు మరియు మెదడుకు సులభమైన పని. అత్యంత శక్తివంతమైన ప్రాసెసర్ --- మానవ మెదడు --- ఈ చిత్రాలను తీయగలదు మరియు వస్తువులను గుర్తించడమే కాదు, ఆ వస్తువుకు దూరాన్ని కూడా అంచనా వేయగలదు.
దురదృష్టవశాత్తు (లేదా అదృష్టవశాత్తూ, స్కైనెట్‌పై మీ భయాన్ని బట్టి), రోబోట్‌లకు మానవ మెదడు ప్రాసెసర్‌గా ఉండదు. యంత్రాలు మానవ వ్రాతపూర్వక కోడ్‌తో సిలికాన్ చిప్‌లపై ఆధారపడతాయి.
ఇతర యంత్రాల ముక్కలు బాహ్య కొలతలు చేస్తాయి. గైరోస్కోప్‌లు లేదా ఇతర జడత్వ కొలత యూనిట్ (IMU) వంటి ఉపకరణాలు దీన్ని చేయడంలో సహాయపడతాయి. స్వీయ డ్రైవింగ్ కార్లు వంటి రోబోలు కూడా అంతర్గత కొలతగా వీల్ పొజిషన్ యొక్క ఓడోమెట్రీని ఉపయోగిస్తాయి.
చిత్ర క్రెడిట్: జెన్నిఫర్ మోరో/ ఫ్లికర్
బాహ్యంగా, సెల్ఫ్ డ్రైవింగ్ కారు మరియు ఇతర రోబోలు LIDAR ని ఉపయోగిస్తాయి. రాడార్ రేడియో తరంగాలను ఎలా ఉపయోగిస్తుందో అదేవిధంగా, LIDAR కొలతలు దూరాన్ని గుర్తించడానికి కాంతి పప్పులను ప్రతిబింబిస్తాయి. ఉపయోగించిన కాంతి సాధారణంగా అతినీలలోహిత లేదా ఇన్‌ఫ్రారెడ్ సమీపంలో ఉంటుంది, ఇన్‌ఫ్రారెడ్ డెప్త్ సెన్సార్ మాదిరిగానే.
LIDAR సెకనుకు పదివేల పప్పులను పంపుతుంది. కాబట్టి, అవును, తదుపరిసారి టెస్లా ఆటోపైలట్‌లో తిరుగుతున్నప్పుడు, అది మిమ్మల్ని లేజర్‌తో షూట్ చేస్తుంది. చాలా సార్లు.
అదనంగా, SLAM అల్గోరిథంలు స్టాటిక్ ఇమేజ్‌లను మరియు కంప్యూటర్ విజన్ టెక్నిక్‌లను బాహ్య కొలతగా ఉపయోగిస్తాయి. ఇది ఒకే కెమెరాతో చేయబడుతుంది, కానీ స్టీరియో పెయిర్‌తో మరింత ఖచ్చితమైనదిగా చేయవచ్చు.
బ్లాక్ బాక్స్ లోపల
అంతర్గత కొలతలు అంచనా వేసిన స్థానాన్ని అప్‌డేట్ చేస్తాయి, ఇది బాహ్య మ్యాప్‌ను అప్‌డేట్ చేయడానికి ఉపయోగపడుతుంది. బాహ్య కొలతలు అంచనా మ్యాప్‌ని అప్‌డేట్ చేస్తాయి, ఇది పొజిషన్‌ను అప్‌డేట్ చేయడానికి ఉపయోగపడుతుంది. మీరు దీనిని అనుమితి సమస్యగా భావించవచ్చు మరియు సరైన పరిష్కారాన్ని కనుగొనాలనే ఆలోచన ఉంది.
సంభావ్యత ద్వారా దీన్ని చేయడానికి ఒక సాధారణ మార్గం. కణ వడపోత ఉజ్జాయింపు స్థానం మరియు బయేసియన్ గణాంక అనుమానాన్ని ఉపయోగించి మ్యాపింగ్ వంటి పద్ధతులు.
పార్టికల్ ఫిల్టర్ గాసియన్ డిస్ట్రిబ్యూషన్ ద్వారా విస్తరించిన నిర్దిష్ట సంఖ్యలో కణాలను ఉపయోగిస్తుంది. ప్రతి కణం రోబోట్ ప్రస్తుత స్థితిని 'అంచనా వేస్తుంది'. ప్రతి కణానికి సంభావ్యత కేటాయించబడుతుంది. అన్ని కణాలు ఒకే సంభావ్యతతో ప్రారంభమవుతాయి.
ఒకదానికొకటి ధృవీకరించే కొలతలు చేసినప్పుడు (స్టెప్ ఫార్వర్డ్ = టేబుల్ పెద్దది కావడం వంటివి), అప్పుడు వాటి స్థానంలో 'సరైన' కణాలు మెరుగైన సంభావ్యతలను అందిస్తాయి. దూరంగా ఉన్న కణాలకు తక్కువ సంభావ్యత కేటాయించబడుతుంది.
రోబోట్ గుర్తించగలిగే ల్యాండ్‌మార్క్‌లు ఎంత బాగుంటే అంత మంచిది. ల్యాండ్‌మార్క్‌లు అల్గోరిథంకు ఫీడ్‌బ్యాక్‌ను అందిస్తాయి మరియు మరింత ఖచ్చితమైన లెక్కల కోసం అనుమతిస్తాయి.
SLAM అల్గోరిథంలను ఉపయోగించి ప్రస్తుత అప్లికేషన్లు
సాంకేతిక పరిజ్ఞానాన్ని చల్లబరచడం ద్వారా దీనిని విచ్ఛిన్నం చేద్దాం.
స్వయంప్రతిపత్త నీటి అడుగున వాహనాలు (AUV లు)
మానవరహిత జలాంతర్గాములు SLAM టెక్నిక్‌లను ఉపయోగించి స్వయంప్రతిపత్తితో పనిచేయగలవు. అంతర్గత IMU త్వరణం మరియు చలన డేటాను మూడు దిశల్లో అందిస్తుంది. అదనంగా, AUV లు లోతు అంచనాల కోసం దిగువన ఉన్న సోనార్‌ను ఉపయోగిస్తాయి. సైడ్ స్కాన్ సోనార్ సముద్రపు అడుగుభాగం యొక్క చిత్రాలను సృష్టిస్తుంది, రెండు వందల మీటర్ల పరిధిలో ఉంటుంది.
చిత్ర క్రెడిట్: ఫ్లోరిడా సీ గ్రాంట్/ ఫ్లికర్
మిక్స్డ్ రియాలిటీ వేరబుల్స్
మైక్రోసాఫ్ట్ మరియు మ్యాజిక్ లీప్ మిశ్రమ రియాలిటీ అప్లికేషన్‌లను పరిచయం చేసే ధరించగలిగే గ్లాసులను ఉత్పత్తి చేశాయి. ఈ వేరబుల్స్ కోసం పొజిషన్‌ను అంచనా వేయడం మరియు మ్యాప్‌ను సృష్టించడం చాలా ముఖ్యం. వాస్తవ వస్తువుల పైన వర్చువల్ వస్తువులను ఉంచడానికి మరియు వాటిని ఒకదానితో ఒకటి సంకర్షణ చేసుకోవడానికి పరికరాలు మ్యాప్‌ని ఉపయోగిస్తాయి.
రౌటర్‌ను కొత్త దానితో ఎలా భర్తీ చేయాలి
ఈ ధరించగలిగేవి చిన్నవి కాబట్టి, అవి LIDAR లేదా సోనార్ వంటి పెద్ద పరిధీయాలను ఉపయోగించలేవు. బదులుగా, పర్యావరణాన్ని మ్యాప్ చేయడానికి చిన్న ఇన్‌ఫ్రారెడ్ డెప్త్ సెన్సార్లు మరియు బాహ్యంగా కనిపించే కెమెరాలు ఉపయోగించబడతాయి.
సెల్ఫ్ డ్రైవింగ్ కార్లు
స్వయంప్రతిపత్తమైన కార్లు ధరించగలిగిన వాటి కంటే కొంచెం ప్రయోజనం కలిగి ఉంటాయి. చాలా పెద్ద భౌతిక పరిమాణంతో, కార్లు పెద్ద కంప్యూటర్‌లను కలిగి ఉంటాయి మరియు అంతర్గత మరియు బాహ్య కొలతలను చేయడానికి ఎక్కువ పెరిఫెరల్స్ కలిగి ఉంటాయి. అనేక విధాలుగా, సెల్ఫ్ డ్రైవింగ్ కార్లు సాఫ్ట్‌వేర్ మరియు హార్డ్‌వేర్ పరంగా టెక్నాలజీ భవిష్యత్తును సూచిస్తాయి.
SLAM టెక్నాలజీ మెరుగుపడుతోంది
SLAM సాంకేతికత అనేక రకాలుగా ఉపయోగించబడుతుండటంతో, అది పరిపూర్ణం కావడానికి సమయం మాత్రమే ఉంది. ప్రతిరోజూ సెల్ఫ్ డ్రైవింగ్ కార్లు (మరియు ఇతర వాహనాలు) చూసిన తర్వాత, ప్రతిఒక్కరూ ఉపయోగించడానికి ఏకకాలంలో స్థానికీకరణ మరియు మ్యాపింగ్ సిద్ధంగా ఉందని మీకు తెలుస్తుంది.
సెల్ఫ్ డ్రైవింగ్ టెక్నాలజీ ప్రతిరోజూ మెరుగుపడుతోంది. మరింత తెలుసుకోవాలనుకుంటున్నారా? స్వీయ-డ్రైవింగ్ కార్లు ఎలా పనిచేస్తాయో MakeUseOf యొక్క వివరణాత్మక విచ్ఛిన్నతను చూడండి. హ్యాకర్లు కనెక్ట్ చేయబడిన కార్లను ఎలా లక్ష్యంగా చేసుకుంటున్నారనే దానిపై కూడా మీకు ఆసక్తి ఉండవచ్చు.
చిత్ర క్రెడిట్: chesky_w/ డిపాజిట్‌ఫోటోలు
షేర్ చేయండి షేర్ చేయండి ట్వీట్ ఇమెయిల్ Android లో Google యొక్క అంతర్నిర్మిత బబుల్ స్థాయిని ఎలా యాక్సెస్ చేయాలిమీరు ఎప్పుడైనా చిటికెలో ఏదో స్థాయిని నిర్ధారించుకోవాల్సిన అవసరం ఉంటే, మీరు ఇప్పుడు మీ ఫోన్‌లో బబుల్ స్థాయిని సెకన్లలో పొందవచ్చు.
తదుపరి చదవండి సంబంధిత అంశాలు- సాంకేతికత వివరించబడింది
- ఆటోమోటివ్ టెక్నాలజీ
- కృత్రిమ మేధస్సు
- సెల్ఫ్ డ్రైవింగ్ కారు
- నేలకి కొట్టటం
టామ్ ఫ్లోరిడాకు చెందిన సాఫ్ట్‌వేర్ ఇంజనీర్ (ఫ్లోరిడా మ్యాన్‌కు అరవండి) రాయడం, కళాశాల ఫుట్‌బాల్ (గో గేటర్స్!), క్రాస్‌ఫిట్ మరియు ఆక్స్‌ఫర్డ్ కామాల పట్ల మక్కువతో.
టామ్ జాన్సన్ నుండి మరిన్నిమా వార్తాలేఖకు సభ్యత్వాన్ని పొందండి
టెక్ చిట్కాలు, సమీక్షలు, ఉచిత ఈబుక్‌లు మరియు ప్రత్యేకమైన డీల్స్ కోసం మా వార్తాలేఖలో చేరండి!
సభ్యత్వం పొందడానికి ఇక్కడ క్లిక్ చేయండి