Výzkumníci vyvinuli autonomní systémy schopné vnímat změny ve stínech

Inženýři z MIT vyvinuli nový systém, který je velmi důležitý pro autonomní vozidla a jejich bezpečnost. Systém je schopen vnímat malé změny ve stínech na zemi a určit, zda se kolem rohu nachází 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 popisy úspěšných experimentů provedených výzkumníky, včetně autonomního vozidla, které se pohybuje kolem parkoviště a zastavuje, když se blíží k jinému vozidlu.

Současný systém často používá 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 v prostředích s jinými pohyblivými objekty nebo lidmi, naše metoda může dát robotu včasnou výstrahu, že někdo přichází z rohu, takže vozidlo může zpomalit, upravit svou cestu a připravit se dopředu, aby se vyhnulo srážce,” dodává spoluautor Daniela Rus, ředitel Laboratoře počítačové vědy a umělé inteligence (CSAIL) a profesor elektrotechniky a počítačové vědy Andrew a Erna Viterbi. “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 vnímat stíny mnohem snadněji v tomto prostředí. 

Článek byl sestaven Daniela Rus; prvním autorem je Felix Naser, bývalý výzkumník CSAIL; Alexander Amini, student CSAIL; Igor Gilitschenski, postdoktorand CSAIL; studentka Christina Liao; Guy Rosman z Toyota Research Institute; a Sertac Karaman, asociativní profesor letecké a kosmické inženýrství na MIT. 

Systém ShadowCam

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

Systém 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 blíží, a poté analyzuje informace a klasifikuje každou obraz jako stacionární objekt nebo pohyblivý. To umožňuje systému postupovat nejlepší možnou cestou. 

Systém ShadowCam byl upraven a změněn pro použití na autonomních vozidlech. Původně používal augmentované reality štítky nazvané „AprilTags“, které byly podobné QR kódům. Systém ShadowCam používal tyto štítky pro zaměřování na určitá shluky pixelů, aby určil, 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 mrak a vykresluje různé rysy prostředí na ní. Poté počítačová vizuální pipeline nachází oblast zájmu, jako je podlaha. 

Systém ShadowCam používá DSO-registraci obrazu a překrývá všechny obrazy ze stejného úhlu pohledu robota. Robot, který se pohybuje nebo zastavuje, je poté schopen zaměřit se na stejnou skupinu 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. V konečném důsledku chce tým zvýšit rychlost systému a automatizovat proces.