Teknologia, joka voi kulkea avaruuteen
Monet Googlen X Labsin kokeellisesta työpaikasta esiin tuoduista hankkeista ovat tuntuneet aivan tieteiskirjallisuudesta. Google Glass tarjoaa lupauksen pukea tietokoneita, jotka lisäävät näkemystämme maailmasta teknologialla. Monien mielestä Google Glassin todellisuutta on kuitenkin pidetty prosaicina kuin sen lupaus. Mutta toinen X Labs -hankkeesta, joka ei ole pettynyt, on itse ajo-auto. Huolimatta ajamattoman auton loistavasta lupauksesta nämä ajoneuvot ovat todellisia. Tämä merkittävä saavutus perustuu SLAM-tekniikan mukaiseen lähestymistapaan.
SLAM: samanaikainen lokalisointi ja kartoitus
SLAM-tekniikka merkitsee samanaikaista lokalisointia ja kartoitusta, prosessi, jossa robotti tai laite voi luoda ympyrän kartan ja orientoitua oikein tähän karttaan reaaliajassa. Tämä ei ole helppo tehtävä, ja se on tällä hetkellä teknologian tutkimuksen ja suunnittelun rajoilla. Suuri tiesulku SLAM-tekniikan menestyksekkääseen toteuttamiseen on molempien vaadittujen tehtävien aikaansaama kana- ja muna-ongelma. Ympäristöä kartoittaakseen on tunnettava suuntaus ja asema sen sisällä. kuitenkin nämä tiedot saadaan vain jo olemassa olevasta ympäristökartasta.
Kuinka SLAM toimii?
SLAM-tekniikka yleensä voittaa tämän monimutkaisen kanan ja munan ongelman rakentamalla ennalta olemassa olevan ympäristökuvan GPS-datan avulla. Tämä kartta on sitten iteratiivisesti hienostunut, kun robotti tai laite liikkuu ympäristön läpi. Tämän tekniikan todellinen haaste on tarkkuus. Mittauksia on jatkuvasti pidettävä, kun robotti tai laite liikkuu tilan läpi ja tekniikassa on otettava huomioon "melu", joka ilmenee sekä laitteen liikkumisesta että mittausmenetelmän epätarkkuudesta. Tämä tekee SLAM-tekniikasta suurelta osin mittauksen ja matematiikan.
Mittaus ja matematiikka
Esimerkki tästä mittauksesta ja matematiikasta toiminnassa, voidaan tarkastella Googlen itseohjaavan auton käyttöönottoa. Autolla mitataan ensisijaisesti katolla asennettua LIDAR (laser-tutka) kokoonpanoa, joka voi luoda ympäristöönsä 3D-kartan jopa 10 kertaa sekunnissa. Tämä arviointitaajuus on kriittinen, kun auto liikkuu nopeudella. Näitä mittauksia käytetään lisäämään jo olemassa olevia GPS-karttoja, jotka Google tunnetaan ylläpidettäessä osana Google Maps -palvelua. Lukemat luovat valtavan määrän tietoja ja tuottavat merkityksen näistä tiedoista tekemään ajopäätöksiä on tilastojen työ. Autossa oleva ohjelmisto käyttää useita kehittyneitä tilastoja, kuten Monte Carlo -malleja ja Bayes-suodattimia, jotta ympäristöä voidaan tarkasti kartoittaa.
Vaikutukset lisääntyneeseen todellisuuteen
Autonomiset ajoneuvot ovat SLAM-tekniikan ilmeinen ensisijainen soveltaminen, mutta vähemmän ilmeinen käyttö voi olla käytännöllisten teknologioiden maailmassa ja lisääntyneessä todellisuudessa. Vaikka Google Glass voi käyttää GPS-tietoja saadakseen käyttäjän karkean sijainnin, vastaava tuleva laite voisi käyttää SLAM-tekniikkaa rakentaa paljon monimutkaisempi käyttäjäympäristön kartta. Tämä voi sisältää käsityksen juuri siitä, mitä käyttäjä tarkastelee laitteen kanssa. Se voi tunnistaa, milloin käyttäjä tarkastelee maamerkkiä, myymälää tai mainosta ja käyttää näitä tietoja laajennetun todellisuuden peittokuvana. Vaikka nämä ominaisuudet saattavat kuulostaa kaukana, MIT-projekti on kehittänyt yhden ensimmäisistä esimerkkeistä käytettävästä SLAM-tekniikkalaitteesta.
Tekniikka, joka ymmärtää tilaa
Ei ollut kovin kauan sitten, että tekniikan oletettiin olevan kiinteä, kiinteä terminaali, jota käytämme kodeissamme ja toimistoissamme. Nyt tekniikka on aina läsnä ja mobiili. Tämä on trendi, joka on varmasti jatkunut, kun teknologia jatkaa pienentämistä ja sekoittuu jokapäiväiseen toimintaamme. Näiden suuntausten takia SLAM-teknologia tulee yhä tärkeämmäksi. Se ei kestä kauan ennen kuin odotamme teknologiamme ymmärtävän paitsi ympäristöämme liikkuessamme, mutta ehkä ohjaamme meitä päivittäisessä elämässämme.