Omdefinering af robotteknologi: Purdue Universitets innovative maskinvisionløsning

Forskere ved det anerkendte Purdue University har gjort et betydeligt skridt inden for robotteknologi, maskinvision og perception. Deres banebrydende tilgang tilbyder en markant forbedring af konventionelle metoder, og lover en fremtid, hvor maskiner kan opfatte deres omgivelser mere effektivt og sikkert end nogensinde før.

Præsentation af HADAR: Et revolutionerende skridt i maskinperception

Zubin Jacob, den Elmore Associate Professor of Electrical and Computer Engineering, i samarbejde med forskningsspecialist Fanglin Bao, introducerede en pionermetode kaldet HADAR, som står for heat-assisted detection and ranging. Deres innovation fik betydelig opmærksomhed, og denne anerkendelse har forøget forventningerne omkring HADARs potentielle anvendelser i forskellige sektorer.

Traditionelt har maskinperception afhængt af aktive sensorer som LiDAR, radar og sonar, som udsender signaler for at indsamle tredimensionelle data om deres omgivelser. Men disse metoder stiller udfordringer, især når de skal skaleres op. De er udsat for signalforstyrrelser og kan endda udgøre en risiko for menneskers sikkerhed. Begrænsningerne af videokameraer i lavbelysningsforhold og den såkaldte “ghosting-effekt” i konventionel termisk billedafbildning har yderligere kompliceret maskinperception.

HADAR søger at løse disse udfordringer. “Objekter og deres omgivelser udsender og spredrer konstant termisk stråling, hvilket resulterer i tekstløse billeder, som er kendt som den ‘ghosting-effekt’,” forklarede Bao. Han fortsatte: “Termiske billeder af et menneskes ansigt viser kun konturer og nogen temperaturkontrast; der er ingen træk, hvilket gør det til, at man har set et spøgelse. Tabet af information, tekstur og træk er en vejspærring for maskinperception ved hjælp af varmestråling.”

HADARs løsning er en kombination af termisk fysik, infrarød billedafbildning og maskinlæring, hvilket muliggør fuldstændigt passiv og fysikbevidst maskinperception. Jacob understregede det paradigmeskift, som HADAR medfører, og sagde: “Vores arbejde opbygger den informations-teoretiske grundlag for termisk perception, for at vise, at mørke rum rummer lige så megen information som bred dagslys. Evolution har gjort mennesker til at være forbundet med dagtimerne. Maskinperception i fremtiden vil overvinde denne langvarige dichotomi mellem dag og nat.”

Praktiske implikationer og fremtidige retninger

HADARs effektivitet blev understreget af dets evne til at genskabe teksturer i en off-road natte-scenario. “HADAR TeX vision genskabte teksturer og overvandt ghosting-effekten,” bemærkede Bao. Det tegnede præcise mønstre som vandbølger og barkfolder, og demonstrerede dets overlegne sanselige evner.

Men før HADAR kan integreres i virkelige anvendelser som selv kørende biler eller robotter, er der udfordringer at løse. Bao bemærkede: “Den nuværende sensor er stor og tung, da HADAR-algoritmerne kræver mange farver af usynlig infrarød stråling. For at anvende det til selv kørende biler eller robotter, må vi reducere størrelsen og prisen, samt gøre kameraerne hurtigere.” Aspirationen er at forbedre frame-raten for den nuværende sensor, som i øjeblikket skaber et billede hver sekund, for at møde kravene fra autonome køretøjer.

I forhold til anvendelser er HADAR TeX vision i øjeblikket tilpasset automatiserede køretøjer og robotter, men dens potentiale strækker sig langt ud over. Fra landbrug og forsvar til sundhedspleje og vildtovervågning, er mulighederne store.

I anerkendelse af deres banebrydende arbejde har Jacob og Bao sikret finansiering fra DARPA og modtog 50.000 dollar fra Office of Technology Commercializations Trask Innovation Fund. Duoen har afsløret deres innovation til Purdue Innovates Office of Technology Commercialization, og har taget de første skridt til at patenterer deres skabelse.

Dette transformative forskning fra Purdue University er sat til at omdefinere grænserne for maskinperception, og åbner vej for en sikrere og mere effektiv fremtid inden for robotteknologi og ud over.