WiMi Iminungkahi ang Algorithm ng SLAM Batay sa Lidar at Semantic Segmentation

BEIJING, Sept. 28, 2023 — Inihayag ng WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” o ang “Kompanya”), isang nangungunang global na tagapagkaloob ng Teknolohiya ng Hologram Augmented Reality (“AR”), na pinagsama nito ang impormasyong semantiko at teknolohiya ng lidar sa algoritmo ng SLAM upang masuri ang algoritmo ng semantikong segmentasyon ng SLAM batay sa lidar sa mga dinamikong kapaligiran. Sa pamamagitan ng paggawa ng semantikong segmentasyon, maipapakita ang mga potensyal na gumagalaw na bagay sa kapaligiran, na tumutulong sa algoritmo ng SLAM na i-filter ang mga gumagalaw na bagay sa module ng pagsunod sa tampok at pagmamapa, na nagreresulta sa mas tumpak na mga resulta ng pagtatantiya ng pose. Itinuturing ang impormasyong semantiko bilang mahalagang impormasyon para sa mga robot na lumipat mula sa pandama patungo sa kognitibong katalinuhan. Ang semantikong SLAM ay isang mahalagang paraan upang isama ang impormasyong semantiko sa representasyon ng kapaligiran.

Una, ginagamit ng algoritmo ng SLAM para sa semantikong segmentasyon batay sa lidar ang mga network ng pansin sa espasyo para sa semantikong segmentasyon ng mga ulap ng puntos. Ang buong convolutional neural network ay maaaring magsagawa ng mabisang pagkuha ng tampok at pag-uuri ng mga datos ng ulap ng puntos, na nagpapahintulot sa segmentasyon ng iba’t ibang mga bagay at background sa kapaligiran. Sa pamamagitan ng semantikong segmentasyon, maaari nating makuha ang impormasyon tungkol sa mga gumagalaw na bagay, na tumutulong na i-filter ang mga gumagalaw na bagay sa mga sumunod na proseso ng pagsunod sa tampok at pagtatayo ng mapa, na nagpapahusay sa katumpakan ng pagtatantiya ng pose. Bukod pa rito, upang mas mahusay na hawakan ang problema ng SLAM sa mga dinamikong kapaligiran, ipinakilala ang nangungunang kaalaman upang gabayan ang mga pamantayan ng kategorya ng mga elemento ng kapaligiran. Sa pamamagitan ng ganap na paggamit ng umiiral na kaalaman sa kapaligiran, mas tumpak naming matutukoy kung aling mga elemento sa kapaligiran ang static at kung alin ang dinamiko. Ang pagpapakilala ng nangungunang kaalaman ay maaaring epektibong pahusayin ang katumpakan ng pagkakakilanlan at pagsunod sa mga dinamikong elemento. Pagkatapos kilalanin ang mga dinamikong elemento, maaari pang isakatuparan ang pagtatantiya ng galaw at konstruksyon ng semantikong graph. Ang pagtatantiya ng galaw ay tumutukoy sa paghula ng posisyon at oryentasyon ng robot sa kapaligiran sa pamamagitan ng pagsusuri ng datos ng sensor. Ang konstruksyon ng semantikong mapa, sa kabilang banda, ay gumagamit ng mga kilalang modelo ng kapaligiran at mga resulta ng semantikong segmentasyon upang lumikha ng mga mapa na naglalaman ng impormasyong semantiko.

Ang mga pangunahing module ng teknolohiya ng algoritmo ng SLAM batay sa lidar at mga hadlang na semantiko na iminungkahi ng WiMi ay kinabibilangan ng ilang mga aspeto tulad ng pagpoproseso ng datos ng lidar, segmentasyong semantiko, paghihiwalay ng mga gumagalaw at nakatayong bagay, pagtatantiya ng galaw, at konstruksyon ng mapa, na nagtutulungan upang sabay-sabay na lutasin ang mga hamon ng SLAM sa mga dinamikong kapaligiran at pahusayin ang katumpakan at katatagan ng pandama at pagtukoy ng sarili sa kapaligiran.

Pagpoproseso ng datos ng lidar: Ang lidar ay isang mahalagang sensor para makakuha ng datos ng ulap ng puntos na 3D ng kapaligiran. Sa algoritmo ng SLAM, ang datos ng lidar ay naunang pinroseso sa mga operasyon tulad ng pag-aalis ng ingay, pag-filter at pagkuha ng tampok. Layunin ng mga operasyong ito na kunin ang kapaki-pakinabang na impormasyon ng tampok para sa mga sumunod na proseso ng pagtatantiya ng galaw at pagtatayo ng mapa.

Paghihiwalay ng mga gumagalaw at nakatayong bagay: Sa mga dinamikong kapaligiran, kailangan ihiwalay ang mga dinamikong bagay mula sa mga nakatayong background. Karaniwang batay ang hakbang na ito sa mga resulta ng segmentasyong semantiko at nangungunang kaalaman upang tukuyin ang pagkakaiba ng mga dinamikong bagay mula sa mga nakatayong background sa pamamagitan ng paghahambing ng mga katangian ng galaw ng ulap ng puntos sa mga kilalang modelo ng kapaligiran. Ito ay epektibong nag-fi-filter ng impluwensya ng mga dinamikong bagay at pinaaangat ang katumpakan ng pagtatantiya ng galaw at pagtatayo ng mapa.

Pagtatantiya ng galaw: Ginagamit ang pagtatantiya ng galaw upang hulaan ang posisyon at oryentasyon ng robot sa kapaligiran sa pamamagitan ng pagsusuri ng datos ng sensor. Karaniwang gumagamit ang algoritmo ng SLAM batay sa lidar ng Pinahabang Kalman Filter (EKF) o mga pamamaraan ng di-linear na optimisasyon para sa pagtatantiya ng galaw. Maaaring gamitin ang impormasyong hadlang na semantiko upang hadlangan ang proseso ng pagtatantiya ng galaw para mapahusay ang katumpakan at katatagan nito.

Konstruksyon ng mapa: Ang konstruksyon ng mapa ay pagsasama-sama ng mga datos ng sensor na nakuha sa kapaligiran sa isang mapa na 3D. Maaaring lumikha ang algoritmo ng SLAM batay sa lidar ng mga mapa na naglalaman ng mga label na semantiko sa pamamagitan ng pagsasama ng datos ng lidar sa impormasyong semantiko. Ang ganitong mapa ay maaaring magbigay ng higit pang impormasyon tungkol sa istraktura at mga tampok ng kapaligiran, na nagbibigay ng mas mayamang konteksto para sa pag-navigate at paggawa ng desisyon ng mga matatalinong robot.

Sa pag-unlad ng AI, 5G at IoT, naging popular na larangan ng pananaliksik ang problema ng pandama at lokalisasyon ng mga matatalinong robot sa mga dinamikong kapaligiran. Pinagsasama ng algoritmo ng SLAM ng WiMi batay sa lidar ang mga teknik ng FCN at segmentasyong semantiko, na maaaring epektibong lutasin ang mga hamon ng SLAM sa mga dinamikong kapaligiran, at may mga teknikal na kalamangan ng katumpakan, katatagan, pang-unawa sa eksena at real-time na pagganap. Sa mga kalamangan ng katumpakan, katatagan, pang-unawa sa eksena at real-time, hindi lamang ito may mahahalagang potensyal na gamit sa mga larangan ng industriyal na automatisasyon, matatalinong transportasyon at pag-navigate ng robot, ngunit nagbibigay din ito ng malakas na suporta para sa pag-unlad ng mga matatalinong robot sa hinaharap, upang ang mga matatalinong robot ay magkakaroon ng mas mataas na antas ng mga kakayahan sa pandama, pang-unawa at pagtugon sa mga dinamikong kapaligiran, at magdala ng higit pang kaginhawaan at kaligtasan sa buhay ng mga tao.