Algoritmus umožňuje vizuální navigaci v autonomních vozidlech

Nový hluboký učící se algoritmus vyvinutý výzkumníky z Kalifornského technologického institutu (Caltech) umožňuje autonomním systémům rozpoznat, kde se nachází, pozorováním terénu kolem nich. Poprvé může tato technologie fungovat bez ohledu na sezónní změny terénu.

Výzkum byl zveřejněn 23. června v časopise Science Robotics Americké asociace pro rozvoj vědy (AAAS).

Vizuální navigace relativní k terénu

Tento proces se nazývá vizuální navigace relativní k terénu (VTRN) a byl poprvé vyvinut v 60. letech. Autonomní systémy mohou lokalizovat sebe sama pomocí VTRN porovnáním blízkého terénu s vysokorozlišovacími satelitními snímky.

Nicméně, současná generace VTRN vyžaduje, aby terén, který pozoruje, úzce odpovídal obrazům v databázi. Jakékoli změny terénu, jako je sníh nebo padající listí, mohou způsobit, že systém selže z důvodu neshodných obrazů. To znamená, že systémy VTRN mohou být snadno zmateny, pokud není k dispozici databáze snímků krajiny za všech možných podmínek.

Tým zapojený do tohoto projektu pochází z laboratoře Soon-Jo Chung, Bren Profeseora leteckého a kosmického inženýrství a control a dynamických systémů a výzkumného pracovníka v JPL. Tým využil hlubokého učení a umělé inteligence (AI) k odstranění sezónního obsahu, který může být problematický pro systémy VTRN.

Anthony Fragoso je lektor a vědecký pracovník, stejně jako hlavní autor článku v Science Robotics.

“Pravidlo palce je, že obě snímky – ta ze satelitu a ta z autonomního vozidla – musí mít identický obsah, aby současné techniky fungovaly. Rozdíly, které mohou zvládnout, jsou asi takové, jaké lze dosáhnout pomocí filtru Instagramu, který mění odstín obrazu,” říká Fragoso. “Ve skutečných systémech se však věci mění dramaticky na základě sezóny, protože snímky již neobsahují stejné objekty a nelze je přímo porovnat.”

https://www.youtube.com/watch?v=U5Kr0YI3sec

Samořízené učení

Tento proces byl vyvinut Chungem a Fragosem ve spolupráci s postgraduálním studentem Connor Lee a studentem Austinem McCoyem a využívá “samořízené učení”.

Místo toho, aby se spoléhal na lidské anotátory, kteří vytvářejí velké datové sady, aby naučili algoritmus, jak rozpoznat něco, jako je tomu u většiny strategií počítačového vidění, tento proces umožňuje algoritmu učit se sám. AI rozpoznává vzory v obrazech tím, že vyčleňuje detaily a rysy, které lidské oko by přehlédlo.

Doplněním současné generace VTRN novým systémem se získá přesnější lokalizace. Jedna studie zahrnovala pokusy lokalizovat snímky letního listí proti zimnímu snímku bez listí pomocí techniky VTRN založené na korelaci. Zjistili, že 50 procent pokusů skončilo selháním navigace, ale když vložili nový algoritmus do VTRN, 92 procent pokusů bylo správně spárováno a zbývajících 8 procent mohlo být identifikováno jako problematických předem.

“Počítače mohou najít skryté vzory, které naše oči nevidí, a mohou zachytit i ty nejmenší trendy,” říká Lee. “VTRN bylo v nebezpečí, že se stane nerealizovatelnou technologií v běžných, ale náročných prostředích. Zachránili jsme desetiletí práce na řešení tohoto problému.”

Aplikace ve vesmíru

Nový systém nemá využití pouze pro autonomní drony na Zemi, ale může být také použit pro vesmírné mise. Misí Mars 2020 Perseverance rover JPL využila VTRN během vstupu, sestupu a přistání v kráteru Jezero, který byl dříve považován za příliš nebezpečný pro bezpečný vstup.

Podle Chunga pro rover, jako je Perseverance, “je nutná určitá míra autonomního řízení, protože přenosy trvají sedm minut, aby se dostaly z Marsu na Zemi, a na Marsu není GPS.”

Tým věří, že nový systém by mohl být také použit v polárních regionech Marsu, které mají intenzivní sezónní změny. Může umožnit lepší navigaci pro podporu vědeckých cílů, jako je hledání vody.

Tým nyní rozšíří technologii, aby zohledňovala změny počasí, jako je mlha, déšť a sníh. Tato práce by mohla vést k lepšímu navigačnímu systému pro samořízená vozidla.