Výzkumníci vyvinuli autonomní systémy schopné detekovat změny ve stínech

Inženýři na MIT vyvinuli nový systém, který je非常 důležitý pro autonomní vozidla a jejich bezpečnost. Systém je schopen detekovat malé změny ve stínech na zemi a může určit, zda se kolem rohu pohybují nějaké pohyblivé objekty. 

Jedním z hlavních cílů pro jakoukoli společnost, která se snaží vytvořit autonomní vozidla, je zvýšení bezpečnosti. Inženýři neustále pracují na zlepšování vozidel, aby lépe vyhýbaly srážkám s jinými vozidly nebo chodci, zejména těm, kteří přicházejí z rohu budovy. 

Nový systém také má potenciál být použit na budoucích robotech, které budou navigovat v nemocnicích. Tyto roboty by mohly doručovat léky nebo zásoby po celé nemocnici a systém by jim pomáhal vyhýbat se srážkám s lidmi. 

Článek bude prezentován příští týden na Mezinárodní konferenci o inteligentních robotech a systémech (IROS). Obsahuje popis úspěšných experimentů provedených výzkumníky, včetně autonomního vozidla, které se pohybovalo kolem parkoviště a zastavilo, když se přiblížilo k jinému vozidlu.

Aktuální systém je často LIDAR, který je schopen detekovat viditelné objekty o více než půl sekundy. Podle výzkumníků mohou zlomeky sekundy udělat velký rozdíl u rychloběžných autonomních vozidel.  

“Pro aplikace, kde se roboti pohybují kolem prostředí s jinými pohyblivými objekty nebo lidmi, naše metoda může dát robotu včasnou výstrahu, že někdo přichází z rohu, takže vozidlo může zpomalit, přizpůsobit svou cestu a připravit se předem, aby se vyhnulo srážce,” dodává spoluautor Daniela Rus, ředitel Laboratoře počítačové vědy a umělé inteligence (CSAIL) a profesor Andrew a Erna Viterbi pro elektrotechniku a počítačovou vědu. “Velký sen je poskytnout ‘rentgenové vidění’ vozidlům, která se pohybují rychle po ulicích.”

Nový autonomní systém byl testován pouze uvnitř. V těchto podmínkách jsou světelné podmínky nižší a rychlosti robotů jsou pomalejší. Autonomní systém může analyzovat a detekovat stíny mnohem snadněji v tomto prostředí. 

Článek byl sestaven Daniela Rus; prvním autorem Felix Naser, který je bývalým výzkumníkem CSAIL; Alexander Amini, student CSAIL; Igor Gilitschenski, postdoktorand CSAIL; studentka Christina Liao; Guy Rosman z Toyota Research Institute; a Sertac Karaman, docent letectví a astronautiky na MIT. 

Systém ShadowCam

Před novými vývojovými změnami výzkumníci již měli systém nazvaný „ShadowCam“. Systém je schopen identifikovat a klasifikovat změny ve stínech na zemi pomocí počítačových technik. Předchozí verze systému byly vyvinuty profesory MIT Williamem Freemanem a Antoniem Torralbou. Tyto dva profesoři nebyli spoluautory článku IROS a jejich práce byla prezentována v letech 2017 a 2018. 

ShadowCam využívá video snímky z cílené kamery a je schopen detekovat změny intenzity světla v čase. To systému říká, zda se něco pohybuje dále nebo blíž, a poté analyzuje informace a klasifikuje každou obraz jako statický objekt nebo pohyblivý. To umožňuje systému pokračovat v nejlepší možné cestě. 

ShadowCam byl upraven a změněn pro použití na autonomních vozidlech. Původně používal značky augmentované reality nazvané „AprilTags“, které byly jako QR kódy. ShadowCam používal tyto značky pro zaměřování určitých clusterů pixelů, aby zjistil, zda jsou přítomny stíny. Tento systém se však ukázal být nemožným pro použití v reálných scénářích. 

Z tohoto důvodu výzkumníci vytvořili nový proces, který používá registraci obrazu a techniku vizuální odometrie. Registrace obrazu překrývá více obrazů, aby identifikovala jakékoli variace. 

Technika vizuální odometrie, kterou výzkumníci používají, se nazývá „Direct Sparse Odometry“ (DSO), a funguje podobně jako AprilTags. DSO používá 3D tiskovou cloud a mapuje různé funkce prostředí na ní. Poté počítačová vidění pipeline lokalizuje oblast zájmu, jako je podlaha. 

ShadowCam používá DSO a registraci obrazu a překrývá všechny obrazy ze stejného pohledu robota. Robot, pohybující se nebo stojící, může poté zaměřit stejné místo pixelů, kde je stín. 

Co dál

Výzkumníci budou pokračovat v práci na tomto systému a budou se zaměřovat na rozdíly mezi vnitřními a vnějšími světelnými podmínkami. Nakonec chce tým zvýšit rychlost systému a automatizovat proces.