同時定位和映射（SLAM）可能不是你每天都使用的短語。然而，一些最新的酷技術奇蹟在其壽命的每一毫秒都使用這個過程。

什麼是SLAM？為什麼我們需要它？你說的這些很酷的技術是什麼？

從縮略語到抽象概念

給你一個簡單的遊戲。哪一個不屬於你？

• 自動駕駛汽車
• 增強現實應用程序
• 自主式空中和水下航行器
• 混合現實可穿戴設備
• Roomba酒店

你可能認為答案很容易就列在清單的最後一項。在某種程度上，你是對的。另一方面，這是一個詭計遊戲，因為所有這些項目都是相關的。

這個（非常酷的）遊戲的真正問題是：是什麼讓所有這些技術都可行？答案是：同步定位和映射，或者SLAM！就像那些酷孩子說的。

一般來說，SLAM算法的目的很容易迭代。機器人將使用同步定位和映射來估計其在空間中的位置和方向（或姿勢），同時創建其環境的地圖。這使得機器人能夠識別自己的位置以及如何在未知空間中移動。

因此，是的，也就是說，所有這些花哨的**ancy算法所做的就是估計位置。另一種流行的技術，全球定位系統（GPS）自20世紀90年代第一次海灣戰爭以來一直在估計位置。

區分slam和gps

那麼為什麼需要一種新的算法呢？GPS有兩個固有的問題。首先，雖然GPS相對於全球尺度是精確的，但相對於一個房間、一張桌子或一個小交點，精度和精度都會減小尺度。GPS的精度低到一米，但釐米是多少？毫米？

其次，GPS在水下工作不好。我說的不好是指一點也不好。同樣，在厚混凝土牆的建築物內，性能也是參差不齊的。或者在地下室。你明白了。全球定位系統是一種基於衛星的系統，受到物理限制。

所以SLAM算法的目的是為我們最先進的設備和機器提供更好的位置感。

這些設備已經有了一系列的傳感器和外圍設備。SLAM算法通過使用一些數學和統計學儘可能多地利用這些數據。

雞肉還是雞蛋？位置還是地圖？

數學和統計學需要回答一個複雜的難題：位置是用來創建周圍環境的地圖還是用來計算位置的周圍環境的地圖？

思想實驗時間！你被內在維度扭曲到一個陌生的地方。你做的第一件事是什麼？恐慌？好吧，冷靜下來，深呼吸。再來一杯。現在，你做的第二件事是什麼？環顧四周，試著找到熟悉的東西。一把椅子在你的左邊。植物在你的右邊。你前面有一張咖啡桌。

接下來，曾經***恐懼“我到底在哪裡？”慢慢地，你開始行動。等等，在這個維度中運動是如何工作的？向前邁一步。椅子和植物越來越小，桌子越來越大。現在，你可以確認你確實在前進。

觀測是提高SLAM估計精度的關鍵。在下面的視頻中，當機器人從一個標記移動到另一個標記時，它構建了一個更好的環境地圖。

回到另一個維度，你走得越多，你的方向就越明確。在所有方向上的步進確認了這個維度中的運動與你的家維度相似。當你向右走的時候，植物就顯得更大了。在這個新世界裡，你可以看到一些你認為是地標的東西，這些東西能讓你更加自信地漫步。

這實質上是一個猛擊的過程。

流程的輸入

為了進行這些估計，這些算法使用了一些數據，這些數據可以分為內部數據和外部數據。對於你的跨維度運輸的例子（承認，你有一個有趣的旅行），內部測量是步驟和方向的大小。

外部測量是以圖像的形式進行的。對於眼睛和大腦來說，識別植物、椅子和桌子等地標是一項簡單的任務。已知最強大的處理器——人腦——能夠拍攝這些圖像，不僅能識別物體，還能估計到物體的距離。

不幸的是（或者幸運的是，取決於你對天網的恐懼），機器人沒有人腦作為處理器。機器依靠硅芯片和人類編寫的代碼作為大腦。

其他機械部件進行外部測量。外圍設備，如陀螺儀或其他慣性測量單元（IMU）是有幫助的。自動駕駛汽車等機器人也使用車輪位置的里程錶作為內部測量。

在外部，自動駕駛汽車和其他機器人使用激光雷達。類似於雷達使用無線電波的方式，激光雷達測量反射光脈衝來識別距離。使用的光通常是紫外線或近紅外，類似於紅外深度傳感器。

激光雷達每秒發出數以萬計的脈衝，以創建一個非常高清晰度的三維點雲地圖。所以，是的，下次特斯拉在自動駕駛儀上轉來轉去的時候，它會用激光向你射擊。很多次。

此外，SLAM算法使用靜態圖像和計算機視覺技術作為外部測量。這是一個單一的相機，但可以更準確地與立體聲對。

黑匣子裡面

內部測量將更新估計位置，可用於更新外部地圖。外部測量將更新估計的地圖，該地圖可用於更新位置。你可以把它看作是一個推理問題，其思想是找到最優解。

一種常見的方法是通過概率。技術，如粒子濾波近似位置和映射使用貝葉斯統計推斷。

粒子過濾器使用一組按高斯分佈分佈的粒子。每個粒子“預測”機器人的當前位置。每個粒子都有一個概率。所有粒子以相同的概率開始。

當進行相互確認的測量時（比如向前一步=表格變大），那麼在它們的位置上“正確”的粒子被遞增地給予更好的概率。遠離的粒子被賦予較低的概率。

機器人能識別的地標越多越好。地標為算法提供反饋，並允許更精確的計算。

使用slam算法的當前應用程序

讓我們把它分解，一個又一個很酷的技術。

水下機器人

無人潛艇可以使用SLAM技術自主操作。內部IMU提供三個方向的加速度和運動數據。此外，水下機器人使用面向底部的聲納進行深度估計。側掃聲納可以產生幾百米範圍內的海底圖像。

混合現實可穿戴設備

微軟和Magic Leap已經生產出了可穿戴眼鏡，引入了混合現實應用程序。估計位置和創建地圖對這些可穿戴設備至關重要。這些設備使用地圖將虛擬對象放置在真實對象之上，並使它們相互作用。

由於這些可穿戴設備體積小，它們不能使用大型外圍設備，如激光雷達或聲納。取而代之的是，更小的紅外深度傳感器和朝外攝像頭被用來繪製環境地圖。

自動駕駛汽車

與可穿戴設備相比，自動駕駛汽車有一點優勢。有了更大的物理尺寸，汽車可以容納更大的電腦，並有更多的外圍設備進行內部和外部測量。在很多方面，自動駕駛汽車代表了技術的未來，無論是在軟件還是硬件方面。

slam技術正在進步

隨著SLAM技術被用在許多不同的方面，它的完善只是一個時間問題。一旦每天都能看到自動駕駛汽車（和其他車輛），你就會知道同步定位和地圖已經為每個人準備好了。

自動駕駛技術日新月異。想知道更多嗎？看看MakeUseOf關於自動駕駛汽車工作原理的詳細介紹。你可能還對黑客如何瞄準聯網汽車感興趣。

圖片來源：chesky\ w/照片