Home-theater-designers
بیک وقت لوکلائزیشن اور میپنگ (SLAM) ممکنہ طور پر ایسا جملہ نہیں ہے جسے آپ روزانہ استعمال کرتے ہیں۔ تاہم ، تازہ ترین ٹھنڈے تکنیکی عجائبات میں سے کئی اس عمل کو اپنی عمر کے ہر ملی سیکنڈ میں استعمال کرتے ہیں۔
سلیم کیا ہے؟ ہمیں اس کی ضرورت کیوں ہے؟ اور یہ کون سی ٹھنڈی ٹیکنالوجیز ہیں جن کے بارے میں آپ بات کرتے ہیں؟
روکو پر مقامی ٹی وی کیسے دیکھیں
مخفف سے خلاصہ خیال تک۔
یہاں آپ کے لیے ایک فوری کھیل ہے۔ ان میں سے کس کا تعلق نہیں ہے؟
- خود چلانے والی کاریں۔
- بڑھا ہوا حقیقت ایپس۔
- خودمختار فضائی اور زیر آب گاڑیاں۔
- مخلوط حقیقت پہننے کے قابل
- رومبا۔
آپ کو لگتا ہے کہ جواب آسانی سے فہرست میں آخری آئٹم ہے۔ ایک طرح سے ، آپ صحیح ہیں۔ دوسرے طریقے سے ، یہ ایک چال کا کھیل تھا کیونکہ یہ تمام اشیاء متعلقہ ہیں۔
تصویری کریڈٹ: ناتھن کرول/ فلکر
(بہت عمدہ) گیم کا اصل سوال یہ ہے کہ: ان تمام ٹیکنالوجیز کو کیا ممکن بناتا ہے؟ جواب: بیک وقت لوکلائزیشن اور میپنگ ، یا سلیم! جیسا کہ ٹھنڈے بچے کہتے ہیں۔
عام معنوں میں ، SLAM الگورتھم کا مقصد تکرار کے لیے کافی آسان ہے۔ ایک روبوٹ بیک وقت لوکلائزیشن اور میپنگ کا استعمال کرے گا تاکہ اس کے ماحول کا نقشہ بناتے ہوئے خلا میں اپنی پوزیشن اور واقفیت (یا پوز) کا اندازہ لگا سکے۔ یہ روبوٹ کو شناخت کرنے کی اجازت دیتا ہے کہ یہ کہاں ہے اور کسی نامعلوم جگہ سے کیسے منتقل ہوتا ہے۔
لہذا ، ہاں ، یہ کہنا ہے کہ یہ تمام فینسی سمانسی الگورتھم اندازے کی پوزیشن ہے۔ ایک اور مقبول ٹیکنالوجی ، گلوبل پوزیشننگ سسٹم (یا GPS) 1990 کی دہائی کی پہلی خلیجی جنگ کے بعد سے پوزیشن کا اندازہ لگا رہی ہے۔
SLAM اور GPS کے درمیان فرق
تو پھر نئے الگورتھم کی ضرورت کیوں؟ GPS میں دو بنیادی مسائل ہیں۔ سب سے پہلے ، جبکہ جی پی ایس عالمی پیمانے پر درست ہے ، صحت اور درستگی دونوں کمرہ ، یا میز ، یا ایک چھوٹا سا چوراہا کے مقابلے میں پیمانے کو کم کرتے ہیں۔ GPS کی درستگی ایک میٹر تک ہے ، لیکن سینٹی میٹر کیا ہے؟ ملی میٹر؟
دوسرا ، GPS پانی کے اندر اچھی طرح کام نہیں کرتا۔ ٹھیک نہ ہونے سے میرا مطلب بالکل نہیں ہے۔ اسی طرح ، موٹی کنکریٹ کی دیواروں والی عمارتوں کے اندر کارکردگی نمایاں ہے۔ یا تہہ خانے میں۔ آپ کو خیال آتا ہے۔ GPS ایک سیٹلائٹ پر مبنی نظام ہے ، جو جسمانی حدود سے دوچار ہے۔
لہذا SLAM الگورتھم کا مقصد ہمارے جدید ترین آلات اور مشینوں کے لیے پوزیشن کا بہتر احساس دینا ہے۔
ان ڈیوائسز میں پہلے سے ہی سینسرز اور پیری فیرلز موجود ہیں۔ SLAM الگورتھم کچھ ریاضی اور اعدادوشمار کا استعمال کرتے ہوئے ان میں سے زیادہ سے زیادہ ڈیٹا استعمال کرتے ہیں۔
چکن یا انڈا؟ پوزیشن یا نقشہ؟
ایک پیچیدہ پریشانی کا جواب دینے کے لیے ریاضی اور اعدادوشمار کی ضرورت ہے: کیا پوزیشن ارد گرد کا نقشہ بنانے کے لیے استعمال ہوتی ہے یا محل وقوع کا نقشہ پوزیشن کا حساب لگانے کے لیے استعمال ہوتا ہے؟
سوچا تجربہ کا وقت! آپ ایک ناواقف جگہ پر بین جہتی طور پر گھوم رہے ہیں۔ پہلا کام آپ کیا کرتے ہیں؟ خوف و ہراس؟ ٹھیک ہے ، آرام کرو ، سانس لو۔ دوسرا لے لو۔ اب ، دوسرا کام آپ کیا کرتے ہیں؟ ارد گرد دیکھو اور کچھ واقف تلاش کرنے کی کوشش کرو. ایک کرسی آپ کے بائیں طرف ہے۔ ایک پودا آپ کے دائیں طرف ہے۔ کافی ٹیبل آپ کے سامنے ہے۔
اگلا ، ایک بار مفلوج ہونے کا خوف 'میں کہاں ہوں؟' تھک جاتا ہے ، آپ حرکت کرنا شروع کردیتے ہیں۔ رکو ، تحریک اس جہت میں کیسے کام کرتی ہے؟ ایک قدم آگے بڑھو۔ کرسی اور پودا چھوٹا ہو رہا ہے اور میز بڑی ہو رہی ہے۔ اب ، آپ تصدیق کر سکتے ہیں کہ آپ حقیقت میں آگے بڑھ رہے ہیں۔
ونڈوز 10 پروگراموں کو کیسے تلاش کریں۔
SLAM تخمینے کی درستگی کو بہتر بنانے کے لیے مشاہدات کلیدی حیثیت رکھتے ہیں۔ نیچے دی گئی ویڈیو میں ، جیسا کہ روبوٹ مارکر سے مارکر تک منتقل ہوتا ہے ، یہ ماحول کا بہتر نقشہ بناتا ہے۔
دوسری جہت پر واپس جائیں ، جتنا آپ گھومیں گے اتنا ہی آپ خود کو اورینٹ کریں گے۔ تمام سمتوں میں قدم رکھنا اس بات کی تصدیق کرتا ہے کہ اس جہت میں حرکت آپ کے گھر کے طول و عرض کی طرح ہے۔ جیسا کہ آپ دائیں طرف جاتے ہیں ، پودا بڑا ہوتا ہے۔ مدد کے ساتھ ، آپ دوسری چیزیں دیکھتے ہیں جنہیں آپ اس نئی دنیا میں نشانات کے طور پر پہچانتے ہیں جو آپ کو زیادہ اعتماد کے ساتھ گھومنے کی اجازت دیتے ہیں۔
یہ بنیادی طور پر SLAM کا عمل ہے۔
عمل میں ان پٹ۔
یہ تخمینہ لگانے کے لیے ، الگورتھم ڈیٹا کے کئی ٹکڑوں کو استعمال کرتے ہیں جنہیں اندرونی یا بیرونی درجہ بندی کیا جا سکتا ہے۔ آپ کے بین جہتی نقل و حمل کی مثال کے لیے (اسے تسلیم کریں ، آپ نے ایک تفریحی سفر کیا) ، اندرونی پیمائش قدموں اور سمت کا سائز ہے۔
بیرونی پیمائش تصاویر کی شکل میں ہوتی ہے۔ پلانٹ ، کرسی اور میز جیسے نشانات کی شناخت آنکھوں اور دماغ کے لیے آسان کام ہے۔ سب سے طاقتور پروسیسر جس کا نام انسانی دماغ ہے --- یہ تصاویر لینے کے قابل ہے اور نہ صرف اشیاء کو پہچان سکتا ہے بلکہ اس چیز کے فاصلے کا اندازہ بھی لگا سکتا ہے۔
بدقسمتی سے (یا خوش قسمتی سے ، اسکائی نیٹ کے آپ کے خوف پر منحصر ہے) ، روبوٹ کے پاس بطور پروسیسر انسانی دماغ نہیں ہوتا ہے۔ مشینیں سلیکون چپس پر انحصار کرتی ہیں جیسے انسانی تحریری کوڈ بطور دماغ۔
مشینری کے دوسرے ٹکڑے بیرونی پیمائش کرتے ہیں۔ پیری فیرلز جیسے گائروسکوپس یا دیگر جڑنا پیمائش یونٹ (آئی ایم یو) ایسا کرنے میں مددگار ہیں۔ خود چلانے والی کاریں جیسے روبوٹ بھی اندرونی پیمائش کے طور پر وہیل پوزیشن کی اوڈومیٹری استعمال کرتے ہیں۔
تصویری کریڈٹ: جینیفر مورو/ فلکر
بیرونی طور پر ، خود چلانے والی کار اور دوسرے روبوٹ LIDAR استعمال کرتے ہیں۔ ریڈار ریڈیو لہروں کو کس طرح استعمال کرتا ہے اسی طرح ، LIDAR فاصلے کی شناخت کے لیے روشنی کی دالوں کی عکاسی کرتا ہے۔ استعمال ہونے والی روشنی عام طور پر الٹرا وایلیٹ یا قریب اورکت ہے ، اورکت گہرائی کے سینسر کی طرح۔
LIDAR دسیوں ہزار دالیں فی سیکنڈ بھیجتا ہے تاکہ انتہائی ہائی ڈیفینیشن تین جہتی پوائنٹ کلاؤڈ میپ بنایا جا سکے۔ تو ، ہاں ، اگلی بار جب ٹیسلا آٹو پائلٹ پر گھومے گی ، یہ آپ کو لیزر سے گولی مار دے گی۔ بہت بار۔
مزید برآں ، SLAM الگورتھم بیرونی پیمائش کے طور پر جامد تصاویر اور کمپیوٹر وژن تکنیک استعمال کرتے ہیں۔ یہ ایک کیمرے کے ساتھ کیا جاتا ہے ، لیکن ایک سٹیریو جوڑی کے ساتھ بھی زیادہ درست بنایا جا سکتا ہے.
بلیک باکس کے اندر۔
اندرونی پیمائش تخمینہ شدہ پوزیشن کو اپ ڈیٹ کرے گی ، جس کا استعمال بیرونی نقشہ کو اپ ڈیٹ کرنے کے لیے کیا جا سکتا ہے۔ بیرونی پیمائش تخمینہ شدہ نقشہ کو اپ ڈیٹ کرے گی ، جسے پوزیشن کو اپ ڈیٹ کرنے کے لیے استعمال کیا جا سکتا ہے۔ آپ اس کے بارے میں ایک قیاس مسئلہ کے طور پر سوچ سکتے ہیں ، اور خیال یہ ہے کہ زیادہ سے زیادہ حل تلاش کیا جائے۔
ایسا کرنے کا ایک عام طریقہ امکان کے ذریعے ہے۔ پارٹیکل فلٹر تخمینی پوزیشن اور بائیسین شماریاتی اندازے کا استعمال کرتے ہوئے نقشہ سازی کی تکنیک۔
ایک پارٹیکل فلٹر گاؤسی تقسیم کے ذریعے پھیلے ہوئے ذرات کی ایک سیٹ نمبر استعمال کرتا ہے۔ ہر ذرہ روبوٹ کی موجودہ پوزیشن کی پیش گوئی کرتا ہے۔ ایک امکان ہر ذرہ کو تفویض کیا گیا ہے۔ تمام ذرات ایک ہی امکان کے ساتھ شروع ہوتے ہیں۔
جب پیمائش کی جاتی ہے جو ایک دوسرے کی تصدیق کرتی ہے (جیسے قدم آگے بڑھنا = ٹیبل بڑا ہونا) ، پھر ذرات جو اپنی پوزیشن میں 'درست' ہوتے ہیں ان کو بڑھتے ہوئے بہتر امکانات دیئے جاتے ہیں۔ ذرات جو دور ہیں انہیں کم امکانات تفویض کیے گئے ہیں۔
روبوٹ جتنے زیادہ نشانات کی نشاندہی کرسکتا ہے اتنا ہی بہتر ہے۔ نشانات الگورتھم کو آراء فراہم کرتے ہیں اور زیادہ درست حساب کی اجازت دیتے ہیں۔
SLAM الگورتھم کا استعمال کرتے ہوئے موجودہ ایپلی کیشنز۔
آئیے اس کو توڑیں ، ٹھنڈی ٹکنالوجی کا ٹھنڈا ٹکڑا۔
خودمختار زیر آب گاڑیاں (AUVs)
بغیر پائلٹ آبدوزیں SLAM تکنیک کا استعمال کرتے ہوئے خود مختاری سے کام کر سکتی ہیں۔ ایک اندرونی IMU تین سمتوں میں ایکسلریشن اور موشن ڈیٹا فراہم کرتا ہے۔ مزید برآں ، AUVs گہرائی کے تخمینے کے لیے نیچے کا سامنا کرنے والا سونار استعمال کرتے ہیں۔ سائیڈ اسکین سونار سمندر کے فرش کی تصاویر بناتا ہے ، جس کی رینج دو سو میٹر ہے۔
تصویری کریڈٹ: فلوریڈا سی گرانٹ/ فلکر
مخلوط حقیقت پہننے کے قابل
مائیکروسافٹ اور میجک لیپ نے پہننے کے قابل شیشے تیار کیے ہیں جو مکسڈ رئیلٹی ایپلی کیشنز کو متعارف کراتے ہیں۔ پوشاک کا اندازہ لگانا اور نقشہ بنانا ان پہننے کے قابل چیزوں کے لیے اہم ہے۔ آلات اصلی چیزوں کے اوپر ورچوئل اشیاء رکھنے اور انہیں ایک دوسرے کے ساتھ بات چیت کرنے کے لیے نقشہ استعمال کرتے ہیں۔
رسبری پائی آرکیڈ کابینہ مکمل سائز۔
چونکہ یہ پہننے کے قابل چیزیں چھوٹی ہیں ، اس لیے وہ بڑے پیری فیرلز جیسے LIDAR یا سونار استعمال نہیں کر سکتے۔ اس کے بجائے ، چھوٹے اورکت گہرائی کے سینسر اور باہر کا سامنا کرنے والے کیمرے ماحول کا نقشہ بنانے کے لیے استعمال ہوتے ہیں۔
خود ڈرائیونگ کاریں۔
خود مختار کاروں کو پہننے کے قابل ہونے سے تھوڑا سا فائدہ ہوتا ہے۔ بہت بڑے جسمانی سائز کے ساتھ ، کاریں بڑے کمپیوٹر رکھ سکتی ہیں اور اندرونی اور بیرونی پیمائش کرنے کے لیے زیادہ آلات رکھ سکتی ہیں۔ کئی طریقوں سے ، خود ڈرائیونگ کاریں ٹیکنالوجی کے مستقبل کی نمائندگی کرتی ہیں ، دونوں سافٹ وئیر اور ہارڈ ویئر کے لحاظ سے۔
سلیم ٹیکنالوجی بہتر ہو رہی ہے۔
SLAM ٹیکنالوجی کو مختلف طریقوں سے استعمال کیا جا رہا ہے ، یہ مکمل ہونے سے پہلے صرف وقت کی بات ہے۔ ایک بار جب سیلف ڈرائیونگ کاریں (اور دیگر گاڑیاں) روزانہ کی بنیاد پر دیکھی جائیں گی ، آپ کو معلوم ہوگا کہ بیک وقت لوکلائزیشن اور میپنگ ہر ایک کے استعمال کے لیے تیار ہے۔
سیلف ڈرائیونگ ٹیکنالوجی ہر روز بہتر ہو رہی ہے۔ مزید جاننا چاہتے ہیں؟ MakeUseOf کی سیلف ڈرائیونگ کاریں کیسے کام کرتی ہیں اس کا تفصیلی جائزہ لیں۔ آپ اس میں بھی دلچسپی لے سکتے ہیں کہ ہیکرز کس طرح منسلک کاروں کو نشانہ بنا رہے ہیں۔
تصویری کریڈٹ: chesky_w/ ڈپازٹ فوٹو۔
بانٹیں بانٹیں ٹویٹ ای میل۔ اینڈرائیڈ پر گوگل کے بلٹ ان بلبل لیول تک کیسے رسائی حاصل کی جائے۔اگر آپ کو کبھی اس بات کو یقینی بنانے کی ضرورت پڑی ہے کہ کوئی چیز ایک چوٹکی میں برابر ہے تو ، اب آپ سیکنڈوں میں اپنے فون پر بلبلے کی سطح حاصل کرسکتے ہیں۔
اگلا پڑھیں۔ متعلقہ موضوعات۔- ٹیکنالوجی کی وضاحت
- آٹوموٹو ٹیکنالوجی۔
- مصنوعی ذہانت۔
- خود ڈرائیونگ کار۔
- تنقید
ٹام فلوریڈا کا ایک سافٹ ویئر انجینئر ہے (چیخ چیخ کر فلوریڈا مین) لکھنے کے شوق کے ساتھ ، کالج فٹ بال (گو گیٹرز!) ، کراس فٹ اور آکسفورڈ کوما۔
ٹام جانسن سے مزیدہماری نیوز لیٹر کو سبسکرائب کریں
ٹیک ٹپس ، جائزے ، مفت ای بکس ، اور خصوصی سودوں کے لیے ہمارے نیوز لیٹر میں شامل ہوں!
سبسکرائب کرنے کے لیے یہاں کلک کریں۔