Αλγόριθμος Επιτρέπει την Οπτική Πλοήγηση Σχετική με το Έδαφος σε Αυτόνομες Οχήματα

Ένας νέος αλγόριθμος βαθιάς μάθησης που αναπτύχθηκε από ερευνητές στο Ινστιτούτο Τεχνολογίας της Καλιφόρνιας (Caltech) επιτρέπει στα αυτόνομα συστήματα να αναγνωρίζουν πού βρίσκονται παρατηρώντας το έδαφος γύρω τους. Για πρώτη φορά, αυτή η τεχνολογία μπορεί να λειτουργήσει ανεξάρτητα από τις εποχικές αλλαγές στο έδαφος.

Η έρευνα δημοσιεύθηκε στις 23 Ιουνίου στο περιοδικό Science Robotics από την Αμερικανική Ένωση για την Πρόοδο της Επιστήμης (AAAS).

Οπτική Πλοήγηση Σχετική με το Έδαφος

Η διαδικασία ονομάζεται οπτική πλοήγηση σχετική με το έδαφος (VTRN) και αναπτύχθηκε για πρώτη φορά τη δεκαετία του 1960. Τα αυτόνομα συστήματα μπορούν να τοποθετήσουν τον εαυτό τους μέσω της VTRN συγκρίνοντας το κοντινό έδαφος με υψηλής ανάλυσης δορυφορικές εικόνες.

Ωστόσο, η τρέχουσα γενιά της VTRN απαιτεί το έδαφος που παρατηρείται να ταιριάζει στενά με τις εικόνες στη βάση δεδομένων. Οποιαδήποτε αλλαγή στο έδαφος, όπως χιόνι ή πέφτοντας φύλλα, μπορεί να προκαλέσει την αποτυχία του συστήματος λόγω μη ταιριάζοντων εικόνων. Αυτό σημαίνει ότι τα συστήματα VTRN μπορούν να μπερδευτούν εύκολα εκτός αν υπάρχει μια βάση δεδομένων εικόνων του τοπίου υπό κάθε πιθανή συνθήκη.

Η ομάδα που συμμετείχε σε αυτό το έργο προέρχεται από το εργαστήριο του Soon-Jo Chung, Bren Καθηγητή Αεροδιαστημικής και Ελέγχου και Δυναμικών Συστημάτων και ερευνητή στο JPL. Η ομάδα χρησιμοποίησε βαθιά μάθηση και τεχνητή νοημοσύνη (AI) για να αφαιρέσει εποχικές περιεχομένου που possono να είναι προβληματικά για τα συστήματα VTRN.

Ο Anthony Fragoso είναι λέκτορας και επιστημονικός συνεργάτης, καθώς και ο κύριος συγγραφέας του επιστημονικού άρθρου του Science Robotics.

“Η κανόνας του αντίχειρα είναι ότι και οι δύο εικόνες — η μια από το δορυφόρο και η άλλη από το αυτόνομο όχημα — πρέπει να έχουν ταυτόσημο περιεχόμενο για τις τρέχουσες τεχνικές να λειτουργήσουν. Οι διαφορές που μπορούν να χειριστούν είναι περίπου όσο μπορεί να επιτευχθεί με ένα φίλτρο του Instagram που αλλάζει τις απόχρωση μιας εικόνας”, λέει ο Fragoso. “Στις πραγματικές συστήματα, ωστόσο, τα πράγματα αλλάζουν δραματικά με βάση την εποχή επειδή οι εικόνες δεν περιέχουν πλέον τα ίδια αντικείμενα και δεν μπορούν να συγκριθούν απευθείας.”

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

Αυτο-Επιβλεπόμενη Μάθηση

Η διαδικασία αναπτύχθηκε από τον Chung και τον Fragoso σε συνεργασία με τον μεταπτυχιακό φοιτητή Connor Lee και τον προπτυχιακό φοιτητή Austin McCoy, και χρησιμοποιεί “αυτο-επιβλεπόμενη μάθηση”.

Αντί να βασίζονται σε ανθρώπινους αναλυτές για να δημιουργήσουν μεγάλες βάσεις δεδομένων για να διδάξουν έναν αλγόριθμο πώς να αναγνωρίσει κάτι, όπως είναι η περίπτωση με τις περισσότερες στρατηγικές υπολογιστικής όρασης, αυτή η διαδικασία επιτρέπει στον αλγόριθμο να διδάξει τον εαυτό του. Η AI ανιχνεύει μοτίβα σε εικόνες βγάζοντας λεπτομέρειες και χαρακτηριστικά που το ανθρώπινο μάτι δεν θα μπορούσε να δει.

Με την ενίσχυση της τρέχουσας γενιάς της VTRN με το νέο σύστημα, προκύπτει μια πιο ακριβής τοποθέτηση. Ένα πείραμα που διεξήχθη από τους ερευνητές περιελάμβανε την απόπειρα να τοποθετήσουν εικόνες θερινής βλάστησης ενάντια σε εικόνες χειμερινής αποψύξης χρησιμοποιώντας μια τεχνική VTRN με βάση τη συσχετίση. Βρήκαν ότι το 50% των προσπαθειών οδήγησε σε αποτυχίες πλοήγησης, αλλά όταν εισήγαγαν τον νέο αλγόριθμο στη VTRN, το 92% των προσπαθειών ταυτοποιήθηκαν σωστά, και το υπόλοιπο 8% μπορούσε να αναγνωριστεί ως προβληματικό εκ των προτέρων.

“Οι υπολογιστές μπορούν να βρουν απώλεες μοτίβα που τα μάτια μας δεν μπορούν να δουν και μπορούν να πιάσουν ακόμη και τη μικρότερη τάση”, λέει ο Lee. “Η VTRN ήταν σε κίνδυνο να γίνει μια μη βιώσιμη τεχνολογία σε κοινές αλλά προκλητικές περιβαλλοντικές συνθήκες. Σώσαμε δεκαετίες εργασίας στο να λύσουμε αυτό το πρόβλημα.”

Εφαρμογές στο Διάστημα

Το νέο σύστημα δεν έχει μόνο χρήση για αυτόνομες дрoνες στη Γη, αλλά μπορεί επίσης να χρησιμοποιηθεί για αποστολές στο διάστημα. Η αποστολή του JPL Mars 2020 Perseverance rover χρησιμοποίησε VTRN κατά την είσοδο, την κάθοδο και την προσγείωση στο κρατήρα Jezero, που θεωρούνταν προηγουμένως πολύ επικίνδυνο για ασφαλή είσοδο.

Σύμφωνα με τον Chung, για ρόβερ όπως το Perseverance, “ένας ορισμένος βαθμός αυτόνομης οδήγησης είναι απαραίτητος既然 οι μεταδόσεις χρειάζονται 7 λεπτά για να ταξιδέψουν μεταξύ της Γης και του Άρη, και δεν υπάρχει GPS στον Άρη.”

Η ομάδα πιστεύει ότι το νέο σύστημα θα μπορούσε επίσης να χρησιμοποιηθεί στις πολικές περιοχές του Άρη, οι οποίες έχουν έντονες εποχικές αλλαγές. Θα μπορούσε να επιτρέψει την βελτίωση της πλοήγησης για την υποστήριξη επιστημονικών στόχων, όπως η αναζήτηση νερού.

Η ομάδα θα επεκτείνει τώρα την τεχνολογία για να λάβει υπόψη τις αλλαγές του καιρού, όπως ο ομίχλη, η βροχή και το χιόνι. Αυτό το έργο θα μπορούσε να οδηγήσει σε βελτιωμένα συστήματα πλοήγησης για αυτόνομες αυτοκίνητες.