الذكاء الاصطناعي
خوارزمية تمكن من الملاحة المرئية المتعلقة بالتربة في المركبات المستقلة
تم تطوير خوارزمية تعلم sâu جديدة من قبل الباحثين في معهد كاليفورنيا للتكنولوجيا (Caltech) تمكن الأنظمة المستقلة من التعرف على موقعها من خلال ملاحظة التضاريس المحيطة بها. لأول مرة على الإطلاق ، يمكن لهذه التقنية العمل بغض النظر عن التغييرات الفصلية في التضاريس.
نشر البحث في 23 يونيو في مجلة Science Robotics من قبل الجمعية الأمريكية لتقدم العلوم (AAAS).
الملاحة المرئية المتعلقة بالتربة
يسمى هذا العملية الملاحة المرئية المتعلقة بالتربة (VTRN) ، وتم تطويرها لأول مرة في الستينيات. يمكن للأنظمة المستقلة تحديد موقعها من خلال VTRN عن طريق مقارنة التضاريس القريبة بالصور عالية الدقة من الأقمار الصناعية.
然而 ، تتطلب جيل VTRN الحالي أن تتطابق التضاريس التي يتم ملاحظتها عن كثب مع الصور في قاعدة البيانات. يمكن لأي تغييرات في التضاريس ، مثل الثلج أو الأوراق المتساقطة ، أن تسبب فشل النظام بسبب عدم تطابق الصور. وهذا يعني أن أنظمة VTRN يمكن أن تتأثر بسهولة ما لم تكن هناك قاعدة بيانات من صور المناظر الطبيعية في جميع الظروف المتوقعة.
يتكون الفريق المشارك في هذا المشروع من مختبر سون-جو تشونغ ، أستاذ برين للطيران والتحكم في الأنظمة والديناميكا وscientist في JPL. استخدم الفريق التعلم العميق والذكاء الاصطناعي لإزالة المحتوى الفصلي الذي يمكن أن يكون مزعجًا لأنظمة VTRN.
أنتوني فراغوسو هو محاضر وscientist ومؤلف رئيسي للورقة في مجلة Science Robotics.
“قاعدة القاعدة هي أن تكون الصورتان – واحدة من الأقمار الصناعية والأخرى من المركبة المستقلة – يجب أن تحتويا على محتوى متطابق لكي تعمل التقنيات الحالية. يمكن التعامل مع الفروق التي يمكن تحقيقها باستخدام فلتر إنستجرام يغير درجات الصورة” ، يقول فراغوسو. “في الأنظمة الفعلية ، ومع ذلك ، تتغير الأشياء بشكل كبير بناءً على الموسم لأن الصور لا تحتوي على نفس الأشياء ولا يمكن مقارنتها مباشرة.”
https://www.youtube.com/watch?v=U5Kr0YI3sec
التعلم الذاتي الإشرافي
تم تطوير هذه العملية من قبل تشونغ وفراغوسو بالتعاون مع طالب الدراسات العليا كونور لي وطالب البكالوريوس أوستن ماكوي ، وتستخدم “التعلم الذاتي الإشرافي”.
بدلاً من الاعتماد على معلمي البشر لتنظيم مجموعات بيانات كبيرة من أجل تعليم الخوارزمية كيفية التعرف على شيء ما ، كما هو الحال مع معظم استراتيجيات الرؤية الحاسوبية ، تمكن هذه العملية الخوارزمية من تعليم نفسها. يكتشف الذكاء الاصطناعي الأنماط في الصور من خلال استخلاص التفاصيل والميزات التي يغفل عنها العين البشرية.
من خلال إضافة النظام الجديد إلى جيل VTRN الحالي ، يتم الحصول على تحديد موقع أكثر دقة. شارك أحد التجارب في محاولة الباحثين لتحديد موقع الصور من الأوراق الصيفية مقابل صور الشتاء بدون أوراق باستخدام تقنية VTRN القائمة على الارتباط. وجدوا أن 50٪ من المحاولات أدت إلى فشل الملاحة ، ولكن عندما أضافوا الخوارزمية الجديدة إلى VTRN ، تم مطابقة 92٪ من المحاولات بشكل صحيح ، ويمكن تحديد 8٪ المتبقية على أنها مشكلة مسبقًا.
“يمكن للكمبيوتر أن يجد أنماطًا غامضة لا يمكن لعيننا رؤيتها ويمكنه التقاط حتى أصغر اتجاه” ، يقول لي. “كان VTRN في خطر أن يتحول إلى تقنية غير مجدية في بيئات شائعة ولكنها تحديات. لقد أنقذنا عقودًا من العمل في حل هذه المشكلة.”
التطبيقات في الفضاء
لا تقتصر هذه الن体系 على استخدامها في الطائرات بدون طيار على الأرض ، بل يمكن استخدامها أيضًا في بعثات الفضاء. استخدمت مهمة روفر Mars 2020 Perseverance من JPL VTRN خلال الدخول والهبوط في حفرة Jezero ، والتي كانت تعتبر في السابق خطيرة للغاية بالنسبة للدخول الآمن.
وفقًا لتشونغ ،对于 روفر مثل Perseverance ، “يجب أن يكون هناك قدر معين من القيادة المستقلة لأن الإرسال يستغرق سبع دقائق للوصول من الأرض إلى المريخ وليس هناك نظام تحديد المواقع العالمي (GPS) على المريخ”.
يعتقد الفريق أن النظام الجديد يمكن استخدامه أيضًا في المناطق القطبية للمريخ ، التي تتميز بتغيرات فصلية حادة. يمكن أن تمكن من تحسين الملاحة لدعم الأهداف العلمية ، مثل البحث عن الماء.
سيوسع الفريق الآن التكنولوجيا للاعتبار التغيرات الجوية ، مثل الضباب والمطر والثلج. يمكن أن يؤدي هذا العمل إلى تحسين أنظمة الملاحة للسيارات ذاتية القيادة.
