Algoritme muliggør visuelt terræn-relateret navigation i autonome køretøjer

En ny dyb læring algoritme udviklet af forskere på California Institute of Technology (Caltech) muliggør, at autonome systemer kan genkende, hvor de er, ved at observere terrænet omkring dem. For første gang nogensinde kan denne teknologi fungere uanset sæsonændringerne i terrænet.

Forskningen blev offentliggjort den 23. juni i tidsskriftet Science Robotics af American Association for the Advancement of Science (AAAS).

Visuelt terræn-relateret navigation

Processen kaldes visuelt terræn-relateret navigation (VTRN), og den blev første gang udviklet i 1960’erne. Autonome systemer kan lokalisere sig selv gennem VTRN ved at sammenligne nærliggende terræn med højopløselige satellitbilleder.

Men den nuværende generation af VTRN kræver, at terrænet det observerer, ligner billederne i databasen meget nøje. Enhver ændring i terrænet, såsom sne eller faldende blade, kan få systemet til at fejle på grund af ikke-matching billeder. Dette betyder, at VTRN-systemer let kan blive forvirret, medmindre der findes en database over landskabsbilleder under alle tænkelige betingelser.

Teamet bag dette projekt kommer fra Soon-Jo Chungs laboratorium, Bren Professor of Aerospace and Control and Dynamical systems og forskningsvidenskabsmand på JPL. Teamet anvendte dyb læring og kunstig intelligens (AI) til at fjerne sæsonbestemt indhold, der kan være problematisk for VTRN-systemer.

Anthony Fragoso er lektor og forskningsvidenskabsmand samt hovedforfatter på Science Robotics-papiret.

“Regelen er, at begge billeder – det fra satellitten og det fra det autonome køretøj – skal have identisk indhold for, at nuværende metoder kan fungere. Forskellene, de kan håndtere, er omkring det, der kan opnås med en Instagram-filter, der ændrer billedets farver,” siger Fragoso. “I virkelige systemer ændrer tingene sig dog dramatisk afhængigt af sæsonen, fordi billederne ikke længere indeholder de samme objekter og ikke kan sammenlignes direkte.”

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

Selv-supplerende læring

Processen blev udviklet af Chung og Fragoso i samarbejde med graduate-student Connor Lee og undergraduate-student Austin McCoy, og den anvender “selv-supplerende læring”.

I stedet for at afhænge af menneskelige annotatorer til at kuratere store datasæt for at lære en algoritme, hvordan den kan genkende noget, som er tilfældet med de fleste computer-vision-strategier, muliggør denne proces, at algoritmen kan lære sig selv. AI’en finder mønstre i billeder ved at fremhæve detaljer og funktioner, som det menneskelige øje ville overse.

Ved at supplere den nuværende generation af VTRN med det nye system, opnås en mere præcis lokalisation. I et eksperiment forsøgte forskerne at lokalisere billeder af sommerløv mod vinter-løvfaldsbilleder ved hjælp af en korrelationsbaseret VTRN-teknik. De fandt, at 50 procent af forsøgene resulterede i navigationsfejl, men da de indsatte den nye algoritme i VTRN, blev 92 procent af forsøgene korrekt matchet, og de øvrige 8 procent kunne identificeres som problematiske på forhånd.

“Computere kan finde skjulte mønstre, som vores øjne ikke kan se, og kan opdage selv den mindste tendens,” siger Lee. “VTRN var i fare for at blive en uigennemførlig teknologi i almindelige, men udfordrende miljøer. Vi reddede årtiers arbejde med at løse dette problem.”

Anvendelser i rummet

Det nye system har ikke kun anvendelser for autonome droner på Jorden, men kan også anvendes til rummissioner. JPL’s Mars 2020 Perseverance rover-mission anvendte VTRN under indgangen, nedstigningen og landingen i Jezero-krateret, som tidligere var betragtet som for farligt for en sikker indgang.

Ifølge Chung er “en vis mængde autonome kørsel nødvendig for rovere som Perseverance, da transmissioner tager syv minutter at rejse mellem Jorden og Mars, og der ikke er nogen GPS på Mars.”

Teamet mener, at det nye system også kan anvendes i de martianske polare regioner, som har intense sæsonændringer. Det kunne muliggøre en forbedret navigation til at støtte videnskabelige formål, såsom søgen efter vand.

Teamet vil nu udvide teknologien til at tage højde for vejrbetingelser, såsom tåge, regn og sne. Dette arbejde kunne føre til forbedrede navigationsystemer for selvkørende biler.