گروه بزرگی از محققان امپریال کالج لندن ، دانشگاه ادینبورگ ، دانشگاه منچستر و دانشگاه استنفورد اخیراً در یک پروژه با همکاری برنامه های محلی سازی و نقشه برداری از زمان واقعی برای روباتیک ، وسایل نقلیه خودمختار ، واقعیت مجازی (VR) همکاری کرده اند. ) و واقعیت افزوده (AR). مقاله آنها ، که در arXiv و Proceedings of IEEE منتشر شده است ، توسعه روشهایی را برای ارزیابی همزمان الگوریتم های بومی سازی و نقشه برداری همزمان (SLAM) و همچنین تعدادی ابزار جالب دیگر ارائه می دهد.
این محققان در یک ایمیل به Tech Xplore گفتند: "هدف ما این بود که محققان متخصص از بینایی رایانه ، سخت افزار و جوامع کامپایلر را برای ایجاد سیستم های آینده برای روباتیک ، VR / AR و اینترنت اشیاء (IoT) جمع کنیم." "ما می خواستیم سیستم های دید قدرتمند رایانه ای بسازیم که بتواند جهان را با بودجه توان بسیار کمی اما با دقت مطلوب درک کند ؛ ما به درک از هر متریک ژول علاقه مند هستیم."
محققان درگیر در این پروژه مهارت ها و تخصص های خود را برای جمع آوری الگوریتم ها ، معماری ها ، ابزارها و نرم افزارهای لازم برای ارائه SLAM ترکیب کردند. یافته های آنها می تواند به افرادی که در زمینه های مختلفی از SLAM استفاده می کنند ، کمک کند تا الگوریتم ها و سخت افزارهایی را انتخاب کنند و پیکربندی کنند که می توانند به سطح بهینه از عملکرد ، دقت و مصرف انرژی برسند.
محققان گفتند: "نکته مهم در پروژه ایده تحقیق بین رشته ای است: آوردن متخصصان رشته های مختلف در کنار هم می تواند یافته هایی را امکان پذیر کند که در غیر این صورت امکان پذیر نیست."
الگوریتم های SLAM روش هایی هستند که می توانند ضمن پیگیری موقعیت مکانی عامل خاص در داخل آن ، نقشه یا محیط ناشناخته را بسازند یا به روز کنند. این فناوری می تواند در تعدادی از زمینه ها کاربردهای مفیدی داشته باشد ، به عنوان مثال در ساخت وسایل نقلیه خودمختار ، روباتیک ، VR و AR.
محققان در مطالعه خود چندین ابزار از جمله سیستم های نرم افزاری کامپایلر و زمان اجرا و همچنین معماری سخت افزار و الگوریتم های دید رایانه را برای SLAM تهیه و ارزیابی کردند. به عنوان مثال ، آنها ابزارهای بنچمارک ایجاد کردند که به آنها امکان می دهد یک مجموعه داده مناسب را انتخاب کرده و از آن برای ارزیابی الگوریتم های SLAM استفاده کنند.
هدف این مقاله ایجاد خط لوله ای است که اامات بینایی کامپیوتر با قابلیت های سخت افزاری را تراز می کند. تمرکز این مقاله بر روی سه لایه است: الگوریتم ها ، کامپایلر و زمان اجرا و معماری. هدف ما ایجاد سیستمی است که به ما امکان می دهد قدرت و کارایی انرژی ، بهبود سرعت و زمان اجرا و دقت / استحکام در هر لایه و همچنین بطور جامع از طریق طراحی فضاهای اکتشافی و یادگیری ماشینها را بدست آوریم. اعتبار: سعیدی و همکاران.
به عنوان مثال ، آنها برای ارزیابی الگوریتم KinectFusion در چندین سیستم عامل سخت افزاری و SLAMBench2 برای مقایسه الگوریتم های مختلف SLAM از برنامه ای به نام SLAMBench استفاده کردند. محققان همچنین الگوریتم KinectFusion را گسترش داده اند تا بتوان از آن در الگوریتم های برنامه رباتیک و پیمایش استفاده کرد. نقشه برداری از فضای اشغال شده و آزاد در محیط.
محققان گفتند: "این پروژه واقعاً گسترده بود ، بنابراین ، یافته ها بسیار بیشمار بود." "به عنوان مثال ، ما کاربردهای عملی را نشان داده ایم که محاسبات تقریبی می توانند نقش مهمی در دستیابی به درک در هر ژول داشته باشند ، به عنوان مثال برنامه SLAMBench که برای تلفن های هوشمند تهیه شده است. محاسبات تقریبی ایده ای برای انجام یک کار محاسباتی با یک خطای قابل قبول داده شده است ، و بنابراین یک راه حل تقریبی تولید کنید. "
این پروژه با استفاده از فن آوری های جدید سنجش ، مانند آرایه های سنسور-پردازنده سنسور کانونی ، که مصرف انرژی کم و نرخ فریم بالا را کشف می کند ، مورد بررسی قرار گرفت . علاوه بر این ، این نرم افزار کاربرد برنامه های ایستا ، پویا و ترکیبی برنامه ریزی سیستم های چند هسته ای ، به ویژه برای الگوریتم KinectFusion را مورد بررسی قرار داد.
"تحقیقات ما در حال حاضر در بسیاری از زمینه ها مانند رباتیک ، VR / AR و IoT تأثیر گذاشته است ، جایی که ماشین ها همیشه فعال هستند و قادر به برقراری ارتباط و انجام وظایف خود با دقت معقول ، بدون وقفه ، در مصرف برق بسیار کمی هستند ، "محققان گفتند.
این پروژه جامع منجر به یافته های مهم و توسعه ابزارهای جدیدی شده است که می تواند اجرای SLAM را در رباتیک ، VR ، AR و وسایل نقلیه خودمختار تسهیل کند .
این مطالعه همچنین در زمینه طراحی سخت افزار تعدادی از مشارکت ها را ایجاد کرده است ، به عنوان مثال ، توسعه ابزارهای پروفایل برای یافتن و ارزیابی تنگناهای عملکرد در برنامه های بومی و مدیریت شده. محققان یک گردش کار کامل برای ایجاد سخت افزار برای برنامه های دید در رایانه ارائه دادند که می تواند برای سیستم عامل های آینده کاربرد داشته باشد.
محققان گفتند: "ما هم اکنون از یافته های خود برای ساختن یک سیستم یکپارچه برای روباتیک و VR / AR استفاده خواهیم کرد ." "به عنوان مثال ، دکتر لوئیجی ناردی در دانشگاه استنفورد با استفاده از مفاهیم مشابه در شبکه های عصبی عمیق (DNN) ، تحقیقات خود را ادامه می دهد ، یعنی بهینه سازی سخت افزار و نرم افزار برای اجرای کارآمد DNN ، در حالی که دکتر سجاد سعیدی در کالج امپریال لندن به دنبال جایگزین است. فن آوری های آنالوگ مانند آرایه سنسور پردازنده سنسور (FPSP) که به DNN اجازه می دهد تا با نرخ بسیار زیاد فریم ، سفارش 1000 FPS ، برای دستگاه های همیشه کار و اتومبیل های مستقل کار کند. "
رباط با استفاده از صدا برای حرکت و نقشه برداری از یک محیط جدید
آیا روبات های هوش مصنوعی به تنهایی می توانند تعصب ایجاد کنند؟
فکر کردن ماشین از جعبه سیاه است
یک سوسک سایبورگ می تواند روزی جان شما را نجات دهد
ابزارهای محلی سازی و نقشه برداری جدید در زمان واقعی برای رباتیک ، VR و AR
گوگل آسیب پذیری مرورگر را برطرف می کند ، پاسخ مثبت برنده ستایش است