Localisation et 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 à 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 ?
Voici un jeu rapide pour vous. Lequel d'entre eux n'appartient pas ?
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 ruse 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 disent les cool kids.
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 ce que fait cet algorithme fantaisiste est d'estimer la position. Une autre technologie populaire, le système de positionnement global (ou GPS) estime la position depuis la première guerre du Golfe des années 1990.
Alors pourquoi le besoin d'un nouvel algorithme? Le GPS a deux problèmes inhérents. Tout d'abord, alors que le GPS est précis par rapport à une échelle mondiale, 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 basé sur des satellites, qui souffre de limitations physiques.
Les algorithmes SLAM visent donc à donner une meilleure idée de la position de nos gadgets et machines les plus avancés.
Ces appareils disposent déjà d'une litanie de capteurs et de périphériques. Les algorithmes SLAM utilisent les données d'autant d'entre eux que possible en utilisant des mathématiques et des statistiques.
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 la pensée ! Vous êtes déformé de manière interdimensionnelle vers un endroit inconnu. Quelle est la première chose que vous faites ? Panique? OK, bien calmez-vous, 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 s'agrandit. Maintenant, vous pouvez confirmer que vous avancez en fait.
Les observations sont essentielles pour améliorer la précision de l'estimation SLAM. Dans la vidéo ci-dessous, au fur et à mesure que le robot se déplace d'un marqueur à l'autre, 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 s'agrandit. 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 de SLAM.
Afin de 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 en silicium avec un code écrit par l'homme comme cerveau.
D'autres pièces de 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.
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, semblable à un capteur de profondeur infrarouge.
Le LIDAR envoie des dizaines de milliers d'impulsions par seconde pour créer une carte de nuages de points tridimensionnelle extrêmement haute définition. Donc, oui, la prochaine fois que Tesla roulera en pilote automatique, il vous tirera dessus avec un laser. Beaucoup de fois.
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.
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 d'utiliser 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 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 points de repère fournissent une rétroaction à l'algorithme et permettent des calculs plus précis.
Décomposons cela, technologie cool par technologie cool.
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.
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 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 gros périphériques tels que LIDAR ou 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.
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, tant en termes de logiciels que de matériel.
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 d'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 informatiques ciblent les voitures connectées.
Crédit image :chesky_w/Depositphotos
