Algorithmus ermöglicht visuelle Geländenavigation in autonomen Fahrzeugen

Ein neuer Deep-Learning-Algorithmus, entwickelt von Forschern am California Institute of Technology (Caltech), ermöglicht es autonomen Systemen, ihre Position zu bestimmen, indem sie das umliegende Gelände beobachten. Zum ersten Mal kann diese Technologie unabhängig von den jahreszeitlichen Veränderungen des Geländes funktionieren.

Die Forschung wurde am 23. Juni in der Zeitschrift Science Robotics von der American Association for the Advancement of Science (AAAS) veröffentlicht.

Visuelle Geländenavigation

Der Prozess wird als visuelle Geländenavigation (VTRN) bezeichnet und wurde erstmals in den 1960er Jahren entwickelt. Autonome Systeme können ihre Position durch VTRN bestimmen, indem sie das umliegende Gelände mit hochauflösenden Satellitenbildern vergleichen.

Allerdings erfordert die aktuelle Generation von VTRN, dass das beobachtete Gelände den Bildern in der Datenbank genau entspricht. Jede Veränderung des Geländes, wie Schnee oder herabfallende Blätter, kann dazu führen, dass das System aufgrund nicht übereinstimmender Bilder ausfällt. Dies bedeutet, dass VTRN-Systeme leicht verwirrt werden können, es sei denn, es gibt eine Datenbank mit Bildern des Geländes unter allen denkbaren Bedingungen.

Das Team, das an diesem Projekt arbeitet, stammt aus dem Labor von Soon-Jo Chung, Bren-Professor für Luft- und Raumfahrt und Kontroll- und Dynamiksysteme sowie Forschungswissenschaftler am JPL. Das Team nutzte Deep Learning und künstliche Intelligenz (KI), um die jahreszeitlichen Veränderungen zu entfernen, die VTRN-Systemen Probleme bereiten können.

Anthony Fragoso ist Dozent und wissenschaftlicher Mitarbeiter sowie Hauptautor des Science-Robotics-Papiers.

“Die Faustregel lautet, dass beide Bilder – das Satellitenbild und das Bild des autonomen Fahrzeugs – identischen Inhalt haben müssen, damit die aktuellen Techniken funktionieren. Die Unterschiede, die sie verarbeiten können, sind etwa das, was mit einem Instagram-Filter erreicht werden kann, der die Farbtöne eines Bildes ändert”, sagt Fragoso. “In realen Systemen jedoch ändern sich die Dinge erheblich je nach Jahreszeit, da die Bilder nicht mehr die gleichen Objekte enthalten und nicht direkt verglichen werden können.”

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

Selbstüberwachendes Lernen

Der Prozess wurde von Chung und Fragoso in Zusammenarbeit mit dem Doktoranden Connor Lee und dem Studenten Austin McCoy entwickelt und verwendet “selbstüberwachendes Lernen”.

Anstatt auf menschliche Annotatoren zu vertrauen, um große Datenmengen zu kuratieren, um einem Algorithmus beizubringen, etwas zu erkennen, wie es bei den meisten Computer-Vision-Strategien der Fall ist, ermöglicht dieser Prozess es dem Algorithmus, sich selbst zu unterrichten. Die KI erkennt Muster in Bildern, indem sie Details und Merkmale herausfiltert, die das menschliche Auge übersehen würde.

Durch die Ergänzung der aktuellen Generation von VTRN mit dem neuen System ergibt sich eine genauere Ortung. In einem Experiment versuchten die Forscher, Bilder von Sommerlaub gegen Winterlaub-Bilder mit einer korrelationsbasierten VTRN-Technik zu lokalisieren. Sie fanden heraus, dass 50 Prozent der Versuche zu Navigationsfehlern führten, aber wenn sie den neuen Algorithmus in die VTRN einfügten, konnten 92 Prozent der Versuche korrekt abgestimmt werden, und die restlichen 8 Prozent konnten im Voraus als problematisch identifiziert werden.

“Computer können Muster erkennen, die unser Auge nicht sehen kann, und können sogar die kleinsten Trends erkennen”, sagt Lee. “VTRN war in Gefahr, zu einer unpraktikablen Technologie in alltäglichen, aber herausfordernden Umgebungen zu werden. Wir haben Jahrzehnte der Arbeit an der Lösung dieses Problems gerettet.”

Anwendungen im Weltraum

Das neue System ist nicht nur für autonome Drohnen auf der Erde nützlich, sondern kann auch für Weltraummissionen eingesetzt werden. Die Mars-2020-Perseverance-Rover-Mission des JPL nutzte VTRN während des Eintritts, des Abstiegs und der Landung im Jezero-Krater, der zuvor als zu gefährlich für eine sichere Landung galt.

Laut Chung ist für Rover wie Perseverance “ein bestimmtes Maß an autonomen Fahrten notwendig, da die Übertragung zwischen der Erde und dem Mars sieben Minuten dauert und es auf dem Mars kein GPS gibt.”

Das Team glaubt, dass das neue System auch in den polaren Regionen des Mars eingesetzt werden könnte, die intensive jahreszeitliche Veränderungen aufweisen. Es könnte eine verbesserte Navigation zur Unterstützung wissenschaftlicher Ziele, wie der Suche nach Wasser, ermöglichen.

Das Team wird die Technologie nun erweitern, um Wetterveränderungen wie Nebel, Regen und Schnee zu berücksichtigen. Diese Arbeit könnte zu verbesserten Navigationssystemen für selbstfahrende Autos führen.