خوارزمية تمكّن الملاحة الأرضية النسبية المرئية في المركبات ذاتية الحكم

تم تطوير خوارزمية تعلم sâu جديدة من قبل باحثين في معهد كاليفورنيا للتكنولوجيا (كالتيك) تمكّن الأنظمة الذكية من التعرف على موقعها من خلال ملاحظة التضاريس المحيطة بها. لأول مرة على الإطلاق ، يمكن لهذه التكنولوجيا العمل بغض النظر عن التغييرات الموسمية في التضاريس.

نشر البحث في 23 يونيو في مجلة روبوتات العلوم من قبل الجمعية الأمريكية لتقدم العلوم (AAAS).

الملاحة الأرضية النسبية المرئية

يسمى هذا العملية الملاحة الأرضية النسبية المرئية (VTRN) ، وتم تطويرها لأول مرة في الستينيات. يمكن للأنظمة الذكية 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 بشكل وثيق مع الصور في قاعدة البيانات. أي تغييرات في التضاريس ، مثل الثلج أو الأوراق الساقطة ، يمكن أن تسبب فشل النظام بسبب عدم تطابق الصور. هذا يعني أن أنظمة VTRN يمكن أن تتأثر بسهولة إلا إذا كان هناك قاعدة بيانات للصور من المناظر الطبيعية في جميع الظروف المتخيلة.

يتكون الفريق المعني بهذا المشروع من مختبر سون-جو تشونغ ، أستاذ برين للفضاء والتحكم والأنظمة الديناميكية وعالم أبحاث في مختبر جيت بروبلشن. استخدم الفريق التعلم العميق والذكاء الاصطناعي لإزالة المحتوى الموسمي الذي يمكن أن يكون مزعجًا لأنظمة VTRN.

أنتوني فراغوسو هو محاضر وعالم أبحاث ، وكذلك المؤلف الرئيسي للورقة البحثية في مجلة روبوتات العلوم.

“قاعدة القاعدة هي أن كلا الصورتين – الصورة من الأقمار الصناعية والصورة من المركبة الذكية – يجب أن تحتوي على محتوى متطابق لكي تعمل التقنيات الحالية. الفرق الذي يمكنهم التعامل معه هو ما يمكن إنجازه باستخدام فلتر إنستجرام الذي 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 ماككوي ، ويتضمن “التعلم الذاتي الإشرافي”.

بدلاً من الاعتماد على معلمي البشر ل curate قواعد بيانات كبيرة من أجل تعليم خوارزمية كيفية التعرف على شيء ما ، كما هو الحال مع معظم استراتيجيات رؤية الكمبيوتر ، فإن هذه العملية تمكن الخوارزمية من تعليم نفسها. يكتشف الذكاء الاصطناعي الأنماط في الصور عن طريق استخلاص التفاصيل والميزات التي قد يغفل عنها العين البشرية.

من خلال إضافة النظام الجديد إلى جيل VTRN الحالي ، ينتج عن ذلك تحديد موقع أكثر دقة. شارك أحد التجارب في محاولة الباحثين لتحديد موقع صور من أوراق الشجر في الصيف مقابل صور أوراق الشجر في الشتاء باستخدام تقنية VTRN القائمة على الارتباط. وجدوا أن 50٪ من المحاولات أدت إلى فشل في الملاحة ، ولكن عندما أدرجوا الخوارزمية الجديدة في VTRN ، تمت مطابقة 92٪ من المحاولات بشكل صحيح ، ويمكن تحديد 8٪ المتبقية على أنها مشكلة مسبقًا.

“يمكن للكمبيوتر أن يجد أنماطًا غامضة لا يمكن للعين البشرية رؤيتها ويمكنه التقاط حتى أصغر اتجاه” ، يقول لي. “كان VTRN في خطر أن يصبح تكنولوجيا غير مجدية في بيئات شائعة ولكنها تحديات. لقد أنقذنا عقودًا من العمل في حل هذه المشكلة.”

التطبيقات في الفضاء

لا تقتصر هذه النظم الجديدة على المركبات الذكية على الأرض ، بل يمكن استخدامها أيضًا في بعثات الفضاء. استخدمت مهمة روفر مارس 2020 برسيفيرانس من مختبر جيت بروبلشن VTRN أثناء الدخول والهبوط في حفرة جيزيرو ، والتي كانت تعتبر في السابق غير آمنة للENTRY.

وفقًا لتشونغ ، فإن المركبات مثل برسيفيرانس “تتطلب قدرًا معينًا من القيادة الذاتية لأن الإرسالات تستغرق سبع دقائق للوصول من الأرض إلى المريخ ، وليس هناك نظام تحديد المواقع العالمي على المريخ”.

ي相信 الفريق أن النظام الجديد يمكن استخدامه أيضًا في المناطق القطبية على المريخ ، والتي تتميز بتغيرات موسمية شديدة. يمكن أن تمكن الملاحة المحسنة من دعم الأهداف العلمية ، مثل البحث عن الماء.

سيوسع الفريق الآن التكنولوجيا لتحسب التغيرات الجوية ، مثل الضباب والمطر والثلج. يمكن أن يؤدي هذا العمل إلى تحسين أنظمة الملاحة لأنظمة السيارات ذاتية الحكم.