SLAM（Simultaneous Localisation and Mapping）という言葉は、日常的に使う言葉ではないかもしれません。しかし、最新のクールなテクノロジーの驚異のいくつかは、その寿命のミリ秒ごとにこのプロセスを使用しています。

SLAMとは何か、なぜ必要なのか、そして、そのクールなテクノロジーとは何か？

頭字語から抽象的な概念へ

簡単なゲームです。あなたには、どれが合いませんか？

• 自動運転車
• 拡張現実アプリケーション
• 自律型空・海中ロボット
• 複合現実型ウェアラブルデバイス
• ルンバホテル

その答えは、簡単に言えば最後の項目だと思うかもしれません。ある程度は、おっしゃるとおりです。逆に言えば、これらの項目がすべて関連しているからこそ、トリックゲームになるのです。

この（とてもクールな）ゲームの本当の問題は、これらの技術をすべて実現可能にしているものは何かということです。その答えは、「SLAM（Simultaneous Localisation and Mapping）」です。

一般に、SLAMアルゴリズムの目的は、容易に反復される。ロボットは、空間における自分の位置と向き（またはポーズ）を推定するために、同時定位とマッピングを使用し、環境の地図を作成します。これにより、ロボットは自分の位置を特定し、未知の空間をどのように移動するのかを知ることができる。

そう、つまり、これらの空想的な**ancyアルゴリズムが行うのは、位置の推定だけなのです。もう一つの代表的な技術であるGPS（Global Positioning System）は、1990年代の第一次湾岸戦争以降、位置の推定を行うようになった。

スラムとgpsの区別

では、なぜ新しいアルゴリズムが必要なのかというと、GPSには2つの本質的な問題があるからです。まず、GPSは地球規模に対して正確ですが、その正確さと精度は、部屋やテーブル、小さな交差点に対する相対的な規模を縮小します。GPSは1メートルまで正確ですが、1センチメートルとは何でしょうか。ミリメートル？

次に、水中ではGPSがうまく機能しないことです。悪いといえば、全然良くないということです。同様に、厚いコンクリート壁を持つ建物でも性能にばらつきがある。地下室でもいい。おわかりいただけたでしょうか。GPSは衛星を利用したシステムであり、物理的な制約がある。

つまり、SLAMアルゴリズムの目的は、最先端の機器や機械の位置感覚を向上させることなのです。

これらのデバイスには、すでにさまざまなセンサーや周辺機器が搭載されており、SLAMアルゴリズムは、いくつかの数学と統計学を用いることで、これらのデータをできるだけ多く利用する。

鶏か卵か、場所か地図か？

数学と統計学は複雑な難問に答える必要がある：場所はその周囲の地図を作るために使われるのか、場所の周囲の地図を計算するために使われるのか？

思考実験タイムあなたは内なる次元によって、見知らぬ場所にねじ込まれているのです。最初にすることは何ですか？パニック？まあ、落ち着いて、深呼吸してください。もう一杯どうぞ。さて、2つ目は何をするのか？周りを見渡して、見慣れたものを探してみてください。左手には椅子があります。右手に工場があります。目の前にあるコーヒーテーブル。

次の瞬間には、かつて "ここは一体どこなんだ？"という○○な恐怖があった。ゆっくりと、動き出す。待って、この次元で移動ってどうやるの？一歩を踏み出す。椅子や植物はどんどん小さくなり、テーブルはどんどん大きくなっていく。これで、本当に前に進んでいるのか確認することができます。

SLAMの推定精度を向上させるためには、観測が重要です。下のビデオでは、ロボットがあるマーカーから別のマーカーへと移動しながら、より良い環境地図を作り上げていく様子をご覧いただけます。

異次元に戻ると、歩けば歩くほど方向性が明確になる。四方八方に足を踏み入れると、この次元の動きが自分の住む次元の動きと似ていることが確認できる。右に行くほど、植物が大きく見える。新しい世界では、目印となるものが見えてくるので、より安心して歩き回ることができるのです。

これは、基本的にはスラッグ加工です。

プロセスへのインプット

これらの推定を行うために、これらのアルゴリズムはいくつかのデータを使用するが、それらは内部データと外部データに分けることができる。異次元移動の例では（確かに面白い旅をされましたね）、内寸は段差と方向の大きさです。

外部測定は画像で行います。目や脳にとって、植物や椅子、テーブルなどのランドマークを識別するのは簡単な作業です。最も強力なプロセッサーである人間の脳は、これらの画像を撮影し、物体を認識するだけでなく、その距離を推定することができます。

残念ながら（あるいは幸運にも、スカイネットに対する恐怖心次第だが）、ロボットは人間の脳をプロセッサーとして持ってはいない。機械は、シリコンチップと人間が書いたコードを頭脳としています。

その他の機械部品は外部で測定しています。ジャイロスコープなどの慣性計測装置（IMU）などの周辺機器も有効です。自動運転車などのロボットも、内部計測として車輪の位置にあるオドメーターを使用しています。

外見では、自動運転車などのロボットがLIDARを使っています。ライダーは、レーダーが電波を利用するのと同じように、反射した光のパルスを測定して距離を特定します。使用する光は、赤外線深度センサーと同様に、通常、紫外線や近赤外線を使用します。

ライダーは1秒間に数万回のパルスを送信し、非常に高精細な3次元点群地図を作成します。そう、今度テスラが自動操縦でスピンしたら、レーザーで撃たれるわけです。何度もです。

また、SLAMアルゴリズムでは、外部計測として静止画とコンピュータビジョン技術を使用しています。これはシングルカメラですが、ステレオペアを使えばより精度が高くなります。

ブラックボックスの中

内部計測により推定位置が更新され、外部地図の更新に利用することができる。外部計測により推定地図が更新され、位置情報の更新に利用できる。最適解を求めるという推論問題だと思えばいいのです。

一般的なアプローチは、ベイズ統計推論を用いて位置とマッピングを近似する粒子フィルタリングなどの確率論的手法である。

パーティクルフィルタは、ガウス分布に従って分布する粒子の集合を用いる。各粒子は、ロボットの現在位置を「予測」する。各粒子には確率がある。すべての粒子は同じ確率でスタートします。

互いに確認し合う測定が行われた場合（例えば、一歩進む＝テーブルが大きくなる）、その位置が「正しい」粒子には、より良い確率が段階的に与えられます。遠くにある粒子は、低い確率が与えられます。

ランドマークはアルゴリズムにフィードバックされ、より正確な計算を可能にするため、ロボットが認識できるランドマークは多ければ多いほどよい。

スラムアルゴリズムを用いた現在のアプリケーション

クールなテクニックを次から次へと紹介していこう。

水中ロボット

この無人潜水艦は、SLAM技術により自律的に行動することができます。内蔵のIMUは3方向の加速度・運動データを提供します。また、水中ロボットは底面ソナーで深度を推定している。サイドスキャンソナーは、数百メートルの範囲の海底を画像化するものです。

複合現実型ウェアラブルデバイス

マイクロソフトとマジックリープは、複合現実感アプリを紹介するウェアラブルグラスを制作しています。これらのウェアラブルデバイスでは、位置の推定や地図の作成が重要です。地図を利用して、現実の物体の上に仮想の物体を置き、相互に作用させる装置です。

これらのウェアラブルデバイスは小型であるため、LIDARやソナーなどの大型の周辺機器を使用することができない。その代わりに、より小型の赤外線深度センサーと外向きのカメラを使って、環境をマッピングしています。

自動運転車

自動運転車は、ウェアラブルデバイスに対して若干のアドバンテージがあります。物理的なサイズが大きくなった自動車は、より大きなコンピュータを搭載することができ、内部および外部の計測のための周辺機器もより多く持つことができます。自動運転車は、ソフトとハードの両面でテクノロジーの未来を象徴しています。

スラムの技術は進化している

SLAM技術が様々な形で活用されるようになり、完成するのは時間の問題でした。自動運転車（およびその他の車両）が日常的に見られるようになれば、同期された測位とマッピングが誰にでもできるようになったことが分かるでしょう。

自律走行技術は日々変化しています。もっと知りたいですか？自動運転車の仕組みについては、MakeUseOfの詳しい解説をご覧ください。ハッカーがコネクテッドカーをどのように標的にしているかについても、ご興味があるかもしれません。

Photo credit: chesky w/ photo