Många av de projekt som har uppstått från Googles experimentalverkstad, X Labs, har verkade rätt ut ur science fiction. Google Glass erbjöd löftet om bärbara datorer som förstärkte vår syn på världen med teknik, men verkligheten hos Google Glass har inte levt upp sitt löfte. Ett annat X Labs-projekt som inte är besviken är den självkörande bilen. Trots det fantastiska löfte om en förarlös bil är dessa fordon verklighet. Denna anmärkningsvärda prestation är beroende av SLAM-tekniken.
SLAM: Samtidig lokalisering och kartläggning
SLAM är en akronym för samtidig lokalisering och kartläggning, en teknik där en robot eller en enhet kan skapa en karta över omgivningen och orientera sig korrekt på kartan i realtid. Det här är ingen lätt uppgift, och det finns för närvarande vid gränserna för teknikforskning och design. Ett stort vägspärr för att framgångsrikt genomföra SLAM-tekniken är problemet med kyckling och ägg som infördes av de två obligatoriska uppgifterna. För att lyckas kartlägga en miljö måste du känna din orientering och position inom den; Denna information är emellertid bara hämtad från en existerande miljökarta.
Hur SLAM fungerar
SLAM-tekniken övervinner vanligtvis detta komplexa problem med kyckling och ägg genom att bygga en existerande karta över en miljö som använder GPS-data. Den här kartan raffineras då roboten eller enheten flyttas genom miljön. Den sanna utmaningen av tekniken är en av noggrannhet. Mätningar måste ständigt tas som roboten eller enheten rör sig genom rymden, och tekniken måste ta hänsyn till "Äúnoise" som introduceras av både enhetens rörelse och mätmetodens felaktighet. Detta gör SLAM-tekniken till stor del en fråga om mätning och matematik.
Mätning och matematik
Googles självkörningsbil är ett exempel på mätning och matematik i aktion. Bilen tar i första hand mätningar med hjälp av takmonterad LIDAR (laserradar), som kan skapa en 3D-karta över omgivningen upp till 10 gånger i sekundet. Denna utvärderingsfrekvens är avgörande när bilen rör sig snabbt. Dessa mätningar används för att öka de befintliga GPS-kartorna, vilket Google är känt för att behålla som en del av sin Google Maps-tjänst. Läsningarna skapar en stor mängd data, och att generera betydelse från dessa data för att fatta körbeslut är statistikarbetet. Programvaran på bilen använder avancerad statistik, inklusive Monte Carlo-modeller och Bayesian-filter för att noggrant kartlägga miljön.
Inverkan på ökad verklighet
Autonoma fordon är den uppenbara primära tillämpningen av SLAM-tekniken. En mindre uppenbar användning kan dock vara i världen av bärbar teknik och ökad verklighet. Medan Google Glass kan använda GPS-data för att ge användaren en grov position kan en liknande framtida enhet använda SLAM-tekniken för att bygga en mycket mer komplex karta över användarens miljö. Detta kan innefatta en förståelse av exakt vad användaren tittar på med enheten. Den kan känna igen när en användare tittar på ett landmärke, butiksfront eller annons och använder den informationen för att ge en förstorad verklighetsöverläggning. Medan dessa funktioner kan låta långt, har ett MIT-projekt utvecklat ett av de första exemplen på en bärbar SLAM-teknikenhet.
Tech som förstår utrymme
Det var inte länge sen att tekniken var en fast, stationär terminal som vi använder i våra hem och kontor. Nu är tekniken ständigt närvarande och mobil. Den här trenden är säker på att fortsätta, eftersom tekniken fortsätter att miniatyrisera och bli sammanfogad i våra dagliga aktiviteter. Det är på grund av dessa trender att SLAM-tekniken blir allt viktigare. Det vann inte länge innan vi förväntar oss att vår teknik inte bara förstår vår omgivning när vi flyttar utan också för att styra oss genom våra dagliga liv.
