SLAM +機器學習迎來了“感知時代”

機器和深度學習的最新進展已改進了SLAM技術，從而導致地圖的豐富性增加，語義場景理解提高了定位，地圖質量和 堅固性， 更多資訊盡在振工鏈 。

 

最近的危機使人們越來越關注將自動機器人用於實際利益。我們已經看到機器人，運送食物和藥品，甚至對患者進行評估。這些都是驚人的用例，它們清楚地說明了從現在起機器人將在我們的生活中發揮更大作用的方式。

然而，儘管具有所有優點，但是機器人自動繪製周圍環境併成功定位自身的能力仍然十分有限。機器人在計劃一致的環境中擅長做特定事情的能力越來越強。但是動態，未經訓練的情況仍然是一個挑戰。

  我興奮的是下一代SLAM（同步定位和地圖繪製），它將使機器人設計人員能夠創造出在各種情況下具有更強的自主操作能力的機器人。它正在開發中，並吸引了整個行業的投資和興趣。

我們稱其為“感知時代”，它將機器和深度學習的最新進展結合起來以增強SLAM。透過語義場景理解來增加地圖的豐富度，可以改善定位，地圖質量和 堅固性 。

簡化地圖
目前，大多數SLAM解決方案都從感測器獲取原始資料，並使用機率演算法來計算機器人的位置和地圖。LIDAR是最常用的，但成本越來越低的相機為增強的地圖提供了豐富的資料流。無論使用哪種感測器，資料都會建立由數百萬個3維參考點組成的地圖。這些使機器人可以計算其位置。

問題在於這些3D點雲沒有意義-它們只是機器人計算其位置的空間參考。不斷處理所有這些數百萬個點也是機器人處理器和記憶體的沉重負擔。透過將機器學習插入到處理“流水線”中，我們既可以提高這些地圖的實用性，又可以簡化它們。

全景分割
技術使用機器學習將來自攝像機供稿的畫素集合分類為可識別的“物件”。例如，代表牆壁的數百萬個畫素可以歸類為單個物件。此外，我們可以使用機器學習來預測3D世界中這些畫素的幾何形狀和形狀。因此，代表一堵牆的數百萬個3D點可以全部彙總到一個平面中。數以百萬計的代表椅子的3D點都可以彙總到帶有少量引數的形狀模型中。將場景分解為2D和3D的不同物件可以降低處理器和記憶體的開銷。

令我興奮的是下一代SLAM，它將使機器人設計人員能夠創造出在各種情況下能夠自主執行的機器人。它正在開發中，並吸引了整個行業的投資和興趣。

增加理解
以及簡化地圖，此方法為進一步瞭解機器人的感測器捕獲的場景提供了基礎。透過機器學習，我們能夠對場景中的單個物件進行分類，然後編寫程式碼來確定應如何處理它們。

這種新興功能的首要目標是能夠從地圖上移除包括人在內的移動物體。為了有效導航，機器人需要引用場景的靜態元素。不會移動的東西，因此可以用作可靠的定位點。機器學習可用於教導自主機器人場景中哪些元素用於定位，哪些元素不作為地圖的一部分或將其分類為要避免的障礙。將場景中的物件的全景分割與基礎地圖和位置資料相結合，將很快大大提高機器人SLAM的準確性和功能。

感知物件
下一個激動人心的步驟將是基於此分類，以增加對單個物件的理解水平。機器學習作為SLAM系統的一部分，將使機器人能夠學習將房間的牆壁和地板與傢俱和房間內的其他物體區分開。將這些元素儲存為單獨的物件意味著新增或刪除椅子無需完全重繪地圖。

這些優勢的結合是自主機器人功能取得巨大進步的關鍵。機器人在未經訓練的情況下不能很好地推廣。變化，尤其是快速移動會破壞地圖並增加大量計算量。機器學習建立了一層抽象，可以提高地圖的穩定性。它在處理資料方面的更高效率產生了開銷，以增加更多的感測器和更多的資料，從而增加了粒度和可包含在地圖中的資訊 ， 更多資訊盡 。

機器學習可用於教導自主機器人場景中哪些元素用於定位，哪些元素不作為地圖的一部分或將其分類為要避免的障礙。

自然互動
將位置，地圖和感知連結在一起，使機器人可以更多地瞭解其周圍環境並以更有用的方式進行操作。例如，可以感知大廳和廚房之間差異的機器人可以執行更復雜的指令集。能夠識別和分類椅子，書桌，櫥櫃等物體將進一步改善這一點。指示機器人去特定的房間去獲取特定的東西將變得更加簡單。

當機器人開始以更自然的方式與人進行更多互動時，機器人技術的真正革命將來臨。可以從多種情況中學習並將這些知識組合到模型中的機器人，這些機器人可以使它們根據儲存在記憶體中的地圖和物件執行未經訓練的新任務。建立這些模型和抽象需要將SLAM的所有三層完全整合。由於在這些領域處於領先地位的人們的努力，我相信感知時代即將來臨 ， 更多資訊盡在振工鏈 。