Robotlar neden deli değil?
1
Görsel SLAM nedir
Robotlardan bahsetmişken, herkesin izlenimi şöyle olabilir:
Veya bunun gibi bir şey:
Veya bu bile:
Günümüzde robotik teknolojisi eğitim ve eğlence, ev hizmetleri, otonom sürüş vb. Alanlarda yaygın olarak kullanılmaktadır. İnsanlara benzer şekilde, bir robot beyni olarak bir işlemci ve uzuvları olarak bir robotik kolu kullanır, ayrıca çevreyi algılamak için "gözlere" de ihtiyacı vardır. Bu gözler lidar, GPS, IMU vb. Olabilir. Burada esas olarak kamerayı göz olarak kullanma yöntemini tanıtıyoruz. Bir robot tamamen yabancı bir ortama yerleştirilirse, mekânsal konumlandırma ve çevresel algılama yeteneğine sahip değilse, bulunduğu mekanın yapısını veya uzaydaki göreceli konumunu bilemeyecek ve yol planlama, hedef konumlandırma vb. İşlemleri tamamlamak zor olacaktır. Görev.
"Neredeyim" ve "Bu Neredeyim" problemlerini nasıl çözebilirim? Şu anda SLAM teknolojisi becerilerini gösterecek! SLAM'ın tam adı Eşzamanlı Yerelleştirme ve Haritalama'dır ve bu, eşzamanlı konumlandırma ve haritalama anlamına gelen Çince'ye çevrilir. SLAM sisteminde, "neredeyim" sorusuna konumlandırma, "bu nerede" sorusuna da haritalama denir.
Konumlandırma ve haritalama, çevresel algının iki temel içeriğidir. "Konumlandırma" kişinin konumunu bilmek ve bir adımın yörüngesini tahmin etmektir. "Haritalama", dış ortamı anlamak ve her perspektiften elde edilen görüntüleri tam bir üç boyutlu harita halinde yeniden yapılandırmaktır. Robot, bu iki beceride aynı anda ustalaşarak ortamı algılayabilir ve SLAM ile özgürce hareket edebilir.
SLAM uygulamak için iki ana yöntem vardır. Birincisi, odanın zeminine kablo döşemek, duvarlara QR kodları yapıştırmak ve radyo konumlandırma ekipmanı kurmak gibi çevreye algılama ekipmanı kurmaktır. Bu cihazlar, robotun konumunu doğrudan ölçebilen sihirli diziler gibidir, ancak algılama cihazının sabit konumu nedeniyle, robotun hareket aralığı da sınırlıdır ve yalnızca "sihirli dizi" nin yerleştirildiği sabit "sihir" içinde hareket edebilir. .
İkinci yöntem ise robot üzerine kameralar, lidarlar, tekerlek kodlayıcılar, eylemsizlik ölçüm birimleri (IMU) vb. Sensörleri doğrudan kurmaktır. Bu cihazlar sihirli aksesuarlar gibidir.Konum bilgisi ile ilgili bazı fiziksel büyüklükleri ölçerek, dolaylı konumlandırma robota herhangi bir sahnede serbestçe hareket etme imkanı verir.
Burada, kamera kullanarak SLAM yöntemine odaklanacağız. Kamera bir robotun gözleri gibidir, bu nedenle bu yönteme görsel SLAM de denir.
2 Kamerada ne var
SLAM'de pek çok kamera türü vardır. Algoritmalar aracılığıyla konumu hesaplamak için bir veya daha fazla RGB kamera kullanılabilir veya mesafeyi doğrudan ölçmek için bir derinlik kamerası kullanılabilir. Belirli senaryolarda kullanılan panoramik kameralar ve olay kameraları da vardır.
1 Monoküler kamera
Monoküler kamera, SLAM için sadece bir kamera kullanır.Bu yöntemin düşük maliyetli ve basit yapısı araştırmacıların ilgisini çekmiştir. Ancak, monoküler kameraların bir sorunu vardır: bir fotoğraftan derinlik bilgisi alamazlar. Derinlik bilgisi, olay yerindeki nesnenin yüzey noktası ile sensör arasındaki mesafeyi yansıtabilir, onsuz mekanın üç boyutlu yapısı algılanamaz.
Yaşam deneyiminde kamera sağa hareket ederse görüntünün sola hareket edeceği, kamera hareket ederken çevredeki nesnelerin daha hızlı hareket ettiği ve uzaktaki nesnelerin yavaş hareket ettiği bilinmektedir. Kamerayı hareket ettirirken, görüntü üzerindeki nesnelerin hareketi paralaks oluşturur. Paralaks sayesinde hangi nesnelerin yakın ve hangilerinin uzakta olduğunu belirleyebilirsiniz. Bu mesafe görecelidir ve ölçek belirsizliği olarak adlandırılan gerçek mesafe belirlenemez.
Derinlik ancak monoküler kamera çevrildikten sonra hesaplanabilir ve yalnızca bağıl derinlik hesaplanabilir.Bu problemin önüne geçilemez. Daha rahat ve doğru bir şekilde derinlemesine bilgi alabilmek için insanlar kullanmaya başladılar Dürbün kamera ve derinlik kamerası.
1
2 Dürbün kamera
Dürbün kamera, insan gözü prensibini taklit eder.İnsan gözü, aynı anda çalışan iki paralel kamera gibidir.İnsanlar sadece sol gözlerini ve sadece sağ gözlerini kullanırlarsa, gördükleri sahnede bir fark olacaktır. Bu fark yargılamak için kullanılabilir. Aynı şey yakın ve uzaktaki dürbün kameraları için de geçerlidir. Bununla birlikte, dürbün kameralarının hesaplaması çok büyüktür Mevcut koşullar altında, gerçek zamanlı olarak yüksek çözünürlüklü ve yüksek hassasiyetli derinlik bilgisi elde etmek için, genellikle ek donanım hızlandırması gerekir.
2
3 Derinlik kamerası
RGB-D kameralar olarak da bilinen derinlik kameraları, piksel derinliğini temsil eden geleneksel kameralardan bir boyut daha fazladır. Bir nesneye bir ışık demeti göndermek ve yansıyan ışığı almak için kızılötesi yapılandırılmış ışığı veya ToF prensibini kullanabilir ve yansıyan ışığın değişmesi veya yansımayı alma süresi yoluyla nesnenin kameradan uzaklığını hesaplayabilir.
Bu yöntem sadece bir kameraya ihtiyaç duyar, hesaplama küçüktür ve doğrudan fiziksel yöntemlerle ölçülür. Bununla birlikte, mevcut derinlik kameraları genellikle çevre, aydınlatma, mesafe vb. İle sınırlıdır ve daha çok iç mekan uygulamalarıdır.
3
3 Görsel SLAM çerçevesi 1 Sensör veri okuma
Dünyayı algılamanın ilk adımı elbette "gözlerinizi" açmak ve dünyayı gözlemlemektir. Görsel SLAM'de kamera robot ile hareket etmeye devam ediyor, ortamı belirli bir hızda çekiyor ve sürekli değişen bir dizi görüntü elde ediyor. Ek olarak, önceden işlenmiş ve senkronize edilmiş ve robot hareket tahmini için kullanılan kod diski ve eylemsizlik sensörlerinin bilgilerini de okuyabilirsiniz.
1
2 Görsel kilometre sayacı
Görsel kilometre sayacı, komşu görüntüler arasındaki farka dayalı olarak kameranın hareketini tahmin eder. Kilometre sayacı olarak adlandırılır, çünkü yalnızca yedi saniyelik hafızası olan bir Japon balığı gibi bitişik anların hareketini sayar ve daha uzun bilgilerle ilişkisi yoktur. Tabii ki, en basit durum, yalnızca iki ardışık bilgi karesini kaydetmek ve kameranın bu iki an arasındaki hareketini tahmin etmektir. Birçok bitişik moment arasındaki hareket tahmini bir dizgiye dizildiği sürece, robotun hareket yörüngesi oluşturulur, böylece hareket problemi çözülür.
Ancak bitişik momentler arasındaki hareket tahmini nasıl çözülür? Bir robotun beyninde sadece sayısal hesaplamalar yapılabilir. Robotun "gözlüklerden" gördüğü görüntü sayısal bir matris olarak saklanacaktır. Robotun, üç boyutlu uzayda kendi konum bilgisini elde etmek için özellik eşleştirme ve diğer yöntemlerle üç boyutlu uzay dönüşüm matrisini tahmin etmesi gerekir.
Görsel kilometre sayacı, SLAM'ın temel sorunu olan ön uç olarak adlandırılır, ancak yalnızca yörüngeyi tahmin etmek için görsel kilometre sayacı aracılığıyla, kaçınılmaz olarak birikmiş sürüklenme olacaktır. Sadece birkaç bitişik çerçeve tarafından tahmin edilen harekette hatalar olacağı düşünülebilir.Bir sonraki tahmin, hatalı tahmin sonucuna dayanır Sürekli hata birikimi, yörünge tahminini gittikçe daha fazla önyargılı hale getirir. Şu anda, sahneyi kaydetmek için SLAM'ın arka uç optimizasyonu ve geri döngü tespiti gerekiyor ~
2
3 Arka uç optimizasyonu
SLAM sistemi tarafından tahmin edilen yörünge ve harita kaçınılmaz olarak gürültülüdür Robotun mevcut tahmin sonucuna ne kadar güvenmesi gerekir? Bu tahminler ne kadar gürültülü? Arka uç bu sorunu ele alır. Mevcut tahmin sonuçlarını mümkün olduğunca optimize etmek ve gürültünün etkisini azaltmak için filtreleme ve doğrusal olmayan optimizasyon algoritmaları kullanır. Ön uç, çevrenin özelliklerini gözlemleyen ve hareket yörüngesini tahmin eden bir robotun gözleri gibidir. Arka uç daha çok beyindeki yargı alanına benzer, hareket yörüngesinin ve uzaysal çevrenin belirsizliğini tahmin eder.
3
4 Döngü algılama
Kapalı döngü algılama olarak da bilinen döngü algılama, birikmiş ofset sorununu çözmek için basit ve kaba bir yöntemdir. Robotun bir daire çizip bulunduğu yere geri döndüğünü, ancak biriken ofset nedeniyle konum tahmininin taraflı olduğunu hayal edin. Şu anda, robot bu yerin bulunduğunu anlarsa, haritayı ve yörünge tahminini değiştirebilir. Geri döngü algılamasının doğru ve yeterli olması koşuluyla, tahmini değeri sürekli olarak düzeltmek birikmiş hatayı ortadan kaldırabilir ~
Bir robota "hafıza" yeteneği kazandırmanın birçok yolu vardır. Markerler ortama ayarlanabilir, elbette sayı ve kapsamda sınırlamalar vardır. Daha genel bir yöntem, görüntü özelliklerine veya mevcut sıcak model tanıma yöntemlerine dayalı bir kelime torbası modeli kullanılarak elde edilebilen, robotun "gözleri" aracılığıyla görüntüler arasındaki benzerliği doğrudan yargılamaktır. Bir döngü tespit edilirse, robot bu yerin tanıdık geldiğini düşünür ve arka uç optimizasyon modülü, sistem hatalarını azaltmak için yörünge tahminini ve haritalama sonuçlarını ayarlayacaktır.
4
5
Harita
Robotun farklı görevlerine göre harita oluşturmanın birçok yolu vardır. Harita, tüm uzamsal ortamı yeniden yapılandırmak için üç boyutlu bir nokta bulutu olabilir veya bir ızgara haritası oluşturmak için üçgen yamalar ve dokular kullanarak daha güzel olabilir. Haritanın gereksinimleri yüksek değilse, geçebileceğiniz yeri ve engellerin nerede olduğunu işaretlemek için iki boyutlu bir harita da oluşturabilirsiniz.
5
Yukarıdakiler, SLAM'ın temel işlevleri ve temel modülleridir. Tabii ki, SLAM'ın araştırma yönü bundan çok daha fazlasıdır.Çeşitli veri sensörleri, zengin harita bilgisi sunumu ve sürekli yinelemeli güncelleme optimizasyon yöntemleri, SLAM'in geliştirilmesi için çok sayıda olasılık sağlar. Otomasyon Enstitüsü'nden Araştırmacı Wu Yihong, Model Tanıma Devlet Anahtar Laboratuvarı'nın Robot Vizyon Ekibi liderliğindeki akıllı mobil terminaller (CASIA-VSLAM) için görsel bir konumlandırma çözümü başlatmak için yıllarca süren teknoloji birikimini ve fikri mülkiyet haklarını kullandı. SLAM'in gelecekte insansız hava araçları, otonom sürüş, robotik ve artırılmış gerçeklik alanlarında daha yaygın olarak kullanılacağına inanılıyor.
